L’articolo pubblicato su Nature Medicine introduce un modello di Intelligenza Artificiale di nuova generazione, denominato SleepFM, progettato per analizzare i segnali polisonnografici (PSG) in modo integrato e multimodale, con l’obiettivo di stimare il rischio di numerose malattie croniche e la mortalità associata.
Questo approccio modifica sostanzialmente la prospettiva clinica: il sonno non è più semplicemente l’oggetto dell’analisi, ma viene interpretato come un biomarcatore predittivo del rischio futuro, contribuendo a ridefinire il ruolo della polisonnografia da strumento diagnostico di malattia a potenziale strumento di prevenzione.
SleepFM è costruito come un Multimodal Foundation Model, cioè una rete neurale profonda addestrata su un dataset estremamente ampio e diversificato, capace di apprendere pattern fisiologici complessi senza essere inizialmente vincolata a uno specifico compito predittivo. Il dataset utilizzato comprende oltre 585.000 ore di polisonnografia raccolte da più di 65.000 soggetti, una dimensione senza precedenti nel campo della medicina del sonno.
Questo approccio differisce dai modelli tradizionali, che sono generalmente supervisionati e orientati alla previsione di singoli eventi o diagnosi. SleepFM, al contrario, costruisce una rappresentazione latente globale del sonno, in grado di cogliere la complessità dinamica delle interazioni tra respirazione, attività cerebrale, sistema cardiovascolare, funzione autonomica e risposta neuromuscolare.
Questo evidenzia più chiaramente un concetto già noto ma difficile da quantificare nella pratica clinica: l’informazione prognostica è distribuita lungo l’intera registrazione polisonnografica e non può essere ridotta a pochi parametri riassuntivi.

Tra le variabili rilevanti vi sono:   

• la dinamica temporale degli eventi respiratori
  • la distribuzione delle desaturazioni
  • la variabilità della frequenza cardiaca
  • la macro e microstruttura del sonno    
  • il carico di arousal e la frammentazione        
  • pattern elettroencefalografici più sottili

L’integrazione di questi segnali consente al modello di generare valutazioni predittive per circa 130 condizioni cliniche, tra cui scompenso cardiaco, ictus, fibrillazione atriale, malattia renale cronica, demenza e mortalità per tutte le cause (1). In particolare, la combinazione di segnali respiratori ed elettroencefalografici sembra contribuire in modo significativo alla previsione di malattie cardiovascolari, metaboliche e neurodegenerative.

Applicazioni cliniche e disturbi respiratori del sonno
Nel contesto dei disturbi respiratori del sonno, SleepFM si inserisce in una linea di pensiero che mette in discussione l’eccessiva semplificazione basata su indici riassuntivi come AHI, ODI e CT90%.
È noto che l’AHI, pur rimanendo fondamentale per classificare la gravità dell’OSAS, presenta una correlazione limitata con alcuni outcome, in particolare cardiovascolari (2) e neurologici (3).
Questo rafforza la visione dell’OSAS come condizione sistemica, sostenuta da meccanismi fisiopatologici ben riconosciuti:

• ipossiemia intermittente
• ipercapnia transitoria
• aumento dello sforzo respiratorio
• attivazione simpatica
• disfunzione endoteliale
• stress ossidativo
• infiammazione cronica

SleepFM sembra essere in grado di individuare la complessa interazione di questi fattori, traducendola in una capacità predittiva più ampia. Da questa prospettiva, la qualità del sonno - considerata nella sua dimensione globale e non soltanto nella componente respiratoria - emerge come un indicatore sensibile dello stato di salute generale.
Particolarmente rilevante è la capacità del modello di predire la mortalità per tutte le cause, con un C-index di 0,84, superiore a quello di molti score clinici tradizionali di rischio. Questo dato suggerisce un’elevata densità informativa del sonno, anche in fasi in cui i sintomi clinici non sono ancora evidenti.
Il modello mostra inoltre un’elevata accuratezza nella previsione di malattie neurodegenerative come la malattia di Alzheimer (C-index 0,91) e la malattia di Parkinson (C-index 0,89), indicando la possibilità di rilevare alterazioni molto precoci della microstruttura del sonno.
Gli autori riportano prestazioni comparabili a tecniche di imaging avanzato come RMN e PET nella previsione della demenza.
Dal punto di vista clinico, questi risultati aprono scenari potenzialmente rilevanti:

• identificazione precoce di soggetti ad alto rischio
• miglioramento della stratificazione prognostica nei pazienti con OSAS lieve
• personalizzazione del follow-up e delle strategie terapeutiche
• possibile integrazione dei dati polisonnografici in percorsi multidisciplinari di prevenzione

In particolare, nei casi di OSAS lieve, in cui le decisioni terapeutiche sono spesso incerte, strumenti di questo tipo potrebbero contribuire a una selezione più mirata dei pazienti da trattare (4).
La potenziale integrazione clinica di modelli come SleepFM potrebbe promuovere un approccio più personalizzato al trattamento dei disturbi respiratori del sonno (5).
Tra le possibili applicazioni:

• supporto nel processo decisionale terapeutico (CPAP, ventilazione bilevel, ASV, stimolazione del nervo ipoglosso)
• valutazione dell’efficacia del trattamento in termini prognostici oltre che sintomatici
• identificazione di sottogruppi di pazienti con differenti profili di rischio
• integrazione con percorsi clinici multidisciplinari

Tuttavia, queste rimangono prospettive esplorative che richiedono conferma in contesti clinici reali.

Limiti metodologici e criticità
Nonostante il suo potenziale, lo studio presenta diversi limiti rilevanti.
Il dataset deriva principalmente da centri di medicina del sonno con un’elevata prevalenza di OSAS, il che può limitarne la generalizzabilità.
Come molti modelli di deep learning, SleepFM rimane in larga parte una “black box”. Comprendere i meccanismi alla base delle sue previsioni rappresenta un passaggio cruciale per un’adozione clinica consapevole.
L’utilizzo routinario richiederà infrastrutture tecnologiche adeguate, standardizzazione delle registrazioni polisonnografiche ed integrazione nei sistemi informativi sanitari.

Conclusioni
SleepFM propone un’interpretazione del sonno come biomarcatore integrativo ad alta densità informativa, capace di fornire informazioni prognostiche su un ampio spettro di condizioni cliniche.
Per lo specialista in malattie respiratorie, ciò implica una potenziale espansione del ruolo della medicina del sonno, che potrebbe progressivamente affiancare alla dimensione sintomatica anche una dimensione preventiva e prognostica.
Al momento, tuttavia, questo strumento non è ancora validato per l’uso clinico routinario. L’interpretazione dei suoi risultati deve quindi rimanere ancorata ai principi della medicina basata sulle evidenze, integrando - e non sostituendo - il giudizio clinico.
Più che una rivoluzione immediata, SleepFM rappresenta probabilmente una direzione di sviluppo: il sonno come finestra privilegiata sulla salute globale, da esplorare con strumenti sempre più sofisticati ma all’interno di un approccio critico e progressivo.

Bibliografia

1. Punjabi NM, Caffo BS, Goodwin JL, et al. Sleep-disordered breathing and mortality: a prospective cohort study. PLoS Med 2009;6:e1000132.
2. Marin JM, Carrizo SJ, Vicente E,et al. Long-term cardiovascular outcomes in men with obstructive sleep apnoea-hypopnoea with or without treatment with continuous positive airway pressure: an observational study. Lancet 2005;365:1046-53.
3. Leng Y, McEvoy CT, Allen IE, et al. Association of sleep-disordered breathing with cognitive function and risk of cognitive impairment: a systematic review and meta-analysis. JAMA Neurol 2017;74:1237-45.
4. Peker Y, Balcan B. Cardiovascular outcomes of continuous positive airway pressure therapy for obstructive sleep apnea. J Thorac Dis 2018;10:S4262-279.
5. Patil SP, Ayappa IA, Caples SM, et al. Treatment of adult obstructive sleep apnea with positive airway pressure: an American Academy of Sleep Medicine clinical practice guideline. J Clin Sleep Med 2019;15:335-43.