Os dados do sono podem prever doenças futuras?

Uma noite de sono contém muitas informações

Ao pensar em um registro do sono, talvez a primeira coisa que venha à mente seja o número de horas dormidas.

Exames detalhados realizados em serviços de saúde coletam muito mais informações.

Ondas cerebrais, atividade cardíaca, respiração, oxigênio no sangue e movimentos musculares: sensores colocados no corpo registram esses sinais durante a noite. Esse exame é chamado de polissonografia, ou PSG (NHLBI, “Sleep Studies”).

Esses exames investigam problemas do sono, como a apneia obstrutiva do sono.

Além da duração, o registro mostra como o corpo se comportou enquanto dormia. Pesquisadores investigam se essa riqueza de informações pode contribuir ainda mais para compreender a saúde.

Uma IA que aprendeu com o sono de cerca de 65 mil pessoas

O estudo sobre o SleepFM foi publicado na Nature Medicine em janeiro de 2026.

Os pesquisadores usaram mais de 585 mil horas de dados de exames do sono de aproximadamente 65 mil participantes para o aprendizado. O modelo trabalha com vários sinais fisiológicos e combina idade e sexo com os registros para prever riscos de doenças.

O estudo apresentou resultados de previsão de demência, infarto do miocárdio e outros desfechos posteriores a partir do registro de uma noite. Para demência, uma medida chamada índice C foi de 0,85 (Thapa et al., 2026).

O que esse 0,85 nos diz sobre a capacidade de previsão do modelo?

0,85 não é a sua probabilidade de desenvolver uma doença

O índice C mede a concordância entre a ordem dos eventos observados e a ordem dos riscos atribuídos pela IA.

Em termos gerais, entre duas pessoas que podem ser comparadas, ele verifica se aquela cujo evento ocorreu primeiro também recebeu uma classificação de risco mais alta.

Portanto, um resultado de 0,85 não significa que você tenha 85% de chance de desenvolver demência, nem que o modelo tenha diagnosticado corretamente 85 de cada 100 pessoas.

Ordenar bem os riscos e estimar corretamente uma porcentagem para um determinado número de anos também exigem avaliações separadas. Verificar se as probabilidades previstas correspondem às taxas de eventos observadas é avaliar a calibração (Riley et al., 2024).

Não é preciso decorar os termos.

Quando um estudo menciona precisão, procure saber o que foi previsto e como o número foi calculado. Esse pequeno cuidado pode mudar a forma de interpretar o resultado.

A data de registro do diagnóstico não é a data de início da doença

Essa pesquisa relaciona registros de exames do sono a diagnósticos e outras informações registrados posteriormente em prontuários eletrônicos (Thapa et al., 2026).

É útil distinguir a data em que um diagnóstico foi registrado da data em que a doença começou no corpo.

Mudanças podem avançar aos poucos antes que um exame ou uma consulta leve ao diagnóstico. Prever um diagnóstico registrado não determina o momento em que a doença começou.

Da mesma forma, prever uma doença a partir de uma característica do sono não prova que essa característica cause a doença.

Conclusões como “aumentar o sono profundo previne essa doença” exigiriam outras pesquisas, de natureza diferente.

Também importa saber de quem são os dados

O artigo original do SleepFM explica que grande parte dos dados veio de pessoas examinadas por suspeita de problemas do sono ou indicações relacionadas. Algumas doenças foram avaliadas em outra população, mas nem todos os desfechos puderam ser verificados da mesma maneira (Thapa et al., 2026).

O desempenho entre pessoas que fazem um exame não se aplica necessariamente, sem mudanças, à população geral em sua vida cotidiana.

Esse princípio é importante em toda a IA médica.

O modelo ajuda pessoas diferentes daquelas cujos dados foram usados no aprendizado? Os resultados se mantêm em outro hospital ou período? A avaliação precisa se aproximar das condições de uso pretendidas (Collins et al., 2024).

Tanto o tamanho do conjunto de dados quanto sua relevância para as pessoas que usarão a tecnologia importam.

Do aprendizado no laboratório do sono aos sensores no pulso

Essa linha de pesquisa está avançando.

O SleepFM-2, divulgado em setembro de 2026 e revisado em 2 de outubro, usa mais de dois milhões de horas de registros do sono.

Esse tipo de IA aprende características de muitos sinais e depois as utiliza em tarefas como classificar estágios do sono e prever riscos de doenças. Por servir de base para diferentes análises, recebe o nome de modelo fundacional.

O trabalho seguinte explora a classificação dos estágios do sono com EEG usado na cabeça e sinais de pulsação no pulso, além da previsão de riscos de doenças com registros de movimento do pulso. Os dados e os métodos de análise variam conforme a tarefa (Thapa et al., SleepFM-2, 2026).

Em 19 de outubro de 2026, esse trabalho é uma pré-publicação que ainda não passou por revisão por pares. Seus resultados devem ser lidos à luz de validações futuras.

Será que características aprendidas em exames completos do sono também funcionam com sensores mais acessíveis? Essa é uma pergunta interessante levantada pela continuação da pesquisa.

Os registros de sono do Apple Watch podem fazer o mesmo?

Talvez agora você tenha curiosidade de mostrar seu próprio gráfico do sono a uma IA.

Mas os minutos de sono profundo ou a pontuação exibidos na tela não são os mesmos registros de sinais fisiológicos usados na pesquisa.

A documentação técnica da Apple de 2025 descreve a estimativa dos estágios do sono pelo Apple Watch a partir de sinais do acelerômetro. O relógio não mede diretamente as ondas cerebrais (Apple, “Estimating Sleep Stages from Apple Watch”).

Mesmo uma pesquisa que utiliza sinais de movimento do pulso não necessariamente usa apenas as durações ou pontuações de sono que aparecem na tela.

Qual sensor coletou quais sinais e como eles foram analisados? Essas diferenças precisam ser verificadas ao relacionar resultados de pesquisa a aparelhos do dia a dia.

O que precisa ser avaliado além de uma boa previsão?

Para uma tecnologia contribuir com a saúde, importa o valor que ela oferece além do desempenho preditivo.

Que exames ou consultas vêm depois de um resultado de alto risco? Essas decisões antecipam os cuidados necessários? É possível evitar exames desnecessários e seus custos e incômodos?

Modelos de previsão médica também precisam ser avaliados quanto a essa utilidade prática (Riley et al., 2024).

Os dados do sono podem conter pistas de saúde que ainda não foram plenamente aproveitadas. A IA está ampliando essa possibilidade aos poucos.

O gráfico de sono desta manhã não é um aviso de uma doença futura.

Ainda assim, estudar cuidadosamente o corpo a cada noite talvez ajude, um dia, a levar o cuidado adequado a quem precisa. O SleepFM é uma das linhas de pesquisa que apontam para esse futuro.