¿Pueden los datos del sueño predecir futuras enfermedades?

Una noche contiene mucha información

Un registro del sueño quizá te haga pensar primero en cuántas horas dormiste.

Las pruebas médicas detalladas recogen mucha más información.

Ondas cerebrales, actividad cardíaca, respiración, oxígeno en sangre y movimientos musculares: sensores en el cuerpo registran estas señales toda la noche. La prueba se llama polisomnografía o PSG (NHLBI, “Sleep Studies”).

Estas pruebas investigan problemas como la apnea obstructiva del sueño.

El registro muestra cómo se comportó el cuerpo mientras dormía, además de cuánto durmió. Se estudia si esa información puede contribuir más a comprender la salud.

Una IA que aprendió del sueño de unas 65.000 personas

El estudio SleepFM se publicó en Nature Medicine en enero de 2026.

El equipo utilizó más de 585.000 horas de pruebas de sueño de unas 65.000 personas para el aprendizaje. El modelo maneja varias señales fisiológicas y combina también edad y sexo para predecir riesgos.

Con una noche de registro se informó de rendimiento predictivo para demencia, infarto de miocardio y otros eventos posteriores. Para demencia, el índice C fue de 0,85 (Thapa y colaboradores, 2026).

¿Qué dice ese 0,85 sobre lo bien que predice?

0,85 no es tu probabilidad de enfermar

El índice C mide cuánto coincide el orden de los eventos observados con el orden de riesgos que asigna la IA.

A grandes rasgos, entre dos personas comparables, comprueba si quien tuvo antes el evento también fue clasificado con mayor riesgo.

Por eso 0,85 no significa que tengas un 85% de probabilidad de demencia ni que se diagnosticara correctamente a 85 de cada 100 personas.

Ordenar bien los riesgos y estimar un porcentaje para cierto número de años deben evaluarse por separado. Comprobar que las probabilidades predichas coincidan con las tasas observadas se llama calibración (Riley y colaboradores, 2024).

No necesitas memorizar los términos.

Cuando un estudio mencione precisión, pregunta qué se predijo y cómo se calculó la cifra. Ese pequeño paso cambia la lectura del resultado.

La fecha del diagnóstico registrado no es el inicio de la enfermedad

Esta investigación relaciona pruebas de sueño con diagnósticos y otros datos registrados después en las historias clínicas electrónicas (Thapa y colaboradores, 2026).

Conviene distinguir la fecha de registro del diagnóstico del día en que comenzó la enfermedad en el cuerpo.

Los cambios pueden avanzar poco a poco antes de que una prueba o consulta posterior lleve al diagnóstico. Predecir ese registro no determina el momento del inicio.

Del mismo modo, predecir una enfermedad desde un rasgo del sueño no prueba que ese rasgo la cause.

Concluir que aumentar el sueño profundo previene esa enfermedad exigiría otras investigaciones.

También importa de quién son los datos

El artículo original explica que muchos datos procedían de personas examinadas por sospechas de problemas de sueño u otros motivos relacionados. Algunas enfermedades se evaluaron en otra población, pero no todos los resultados pudieron comprobarse igual (Thapa y colaboradores, 2026).

El rendimiento en personas examinadas no se aplica necesariamente sin cambios a una población amplia en su vida cotidiana.

Este principio importa en toda la IA médica.

¿Ayuda a personas distintas de las usadas para aprender? ¿Se mantienen los resultados en otro hospital o periodo? La evaluación debe acercarse al uso previsto (Collins y colaboradores, 2024).

Importan tanto el tamaño de los datos como su pertinencia para los usuarios previstos.

Del laboratorio del sueño a los sensores de muñeca

La investigación sigue avanzando.

SleepFM-2, presentado como prepublicación en septiembre de 2026 y revisado el 2 de octubre, utiliza más de dos millones de horas de sueño.

La IA aprende características de muchas señales y las emplea en tareas como clasificar etapas del sueño o predecir riesgos. Como base de distintos análisis, se llama modelo fundacional.

El trabajo posterior explora etapas del sueño con EEG en la cabeza y señales del pulso en la muñeca, y riesgos de enfermedad con registros de movimiento de muñeca. Los datos y métodos cambian según la tarea (Thapa y colaboradores, SleepFM-2, 2026).

A fecha de 19 de octubre de 2026, es una prepublicación sin revisión por pares. Sus resultados deben leerse junto con futuras validaciones.

¿Pueden funcionar con sensores más accesibles las características aprendidas en pruebas completas? Esa es una pregunta interesante de la continuación.

¿Los registros del Apple Watch pueden hacer lo mismo?

Quizá ahora tengas curiosidad por entregar tu propio gráfico a una IA.

Pero los minutos de sueño profundo o una puntuación en pantalla son información distinta de las señales fisiológicas usadas en investigación.

La documentación técnica de Apple de 2025 explica que estima las etapas del sueño con señales del acelerómetro. El Apple Watch no mide directamente las ondas cerebrales (Apple, “Estimating Sleep Stages from Apple Watch”).

Incluso los estudios con movimientos de muñeca no necesariamente introducen solo las duraciones o puntuaciones visibles.

¿Qué sensor recogió qué señales y cómo se analizaron? Esas diferencias deben comprobarse al conectar la investigación con los dispositivos cotidianos.

¿Qué falta comprobar después de predecir?

Para ayudar a la salud, una tecnología necesita valor más allá de su rendimiento predictivo.

¿Qué pruebas o consultas siguen a un riesgo elevado? ¿Esas decisiones adelantan la atención necesaria? ¿Pueden evitar pruebas y cargas innecesarias?

Los modelos médicos también deben evaluarse por esa utilidad práctica (Riley y colaboradores, 2024).

Los datos del sueño pueden contener pistas de salud todavía poco aprovechadas. La IA amplía poco a poco esa posibilidad.

El gráfico de esta mañana no es un anuncio de futuras enfermedades.

Pero estudiar con cuidado el cuerpo cada noche podría algún día acercar la atención adecuada a quienes la necesitan. SleepFM es una línea de investigación hacia ese futuro.