Una notte di sonno può rivelare le malattie del futuro: l’IA scopre ciò che i medici non vedono

Immaginate di recarvi in ospedale per un fastidioso problema di russamento e, al termine dell’esame del sonno, di ricevere informazioni sul vostro rischio futuro di infarto, demenza o insufficienza cardiaca. Non perché questi disturbi siano già presenti, ma perché durante la notte il vostro organismo rilascia tracce fisiologiche finora incomprensibili ai medici.

Studi pionieristici del 2026

La prospettiva è emersa da due studi pubblicati quest’anno su Nature Medicine e Nature Communications. Entrambe le ricerche hanno mostrato risultati quantitativi promettenti, ma non hanno ancora dimostrato l’utilità clinica di uno screening generalizzato basato sul sonno.

Il concetto chiave

Il punto rivoluzionario non è tanto la scoperta di nuovi biomarcatori, quanto la capacità di “leggere” meglio ciò che già misuriamo. Il corpo racconta la propria storia mentre dormiamo: il cervello varia la sua attività elettrica, il cuore modifica il ritmo, la respirazione oscilla e il sistema nervoso autonomo regola funzioni che solitamente sfuggono alla nostra attenzione.

La polisonnografia: più di una diagnosi di apnea

La polisonnografia registra questi fenomeni in modo dettagliato. Tradizionalmente è utilizzata per diagnosticare disturbi come le apnee notturne, basandosi su conteggi di episodi di interruzione o riduzione della respirazione. Tuttavia, questa interpretazione può risultare riduttiva, paragonabile a “ascoltare un’orchestra limitandosi a contare quante volte suona il violino”.

L’intelligenza artificiale, al contrario, analizza simultaneamente migliaia di relazioni tra i segnali, identificando configurazioni associate alla comparsa successiva di specifiche malattie.

Sessantacinquemila persone e 130 condizioni prevedibili

Il primo studio, coordinato da Rahul Thapa e pubblicato su Nature Medicine, ha sviluppato SleepFM, un modello addestrato su oltre 585.000 ore di registrazioni del sonno provenienti da circa 65.000 partecipanti.

• Il modello ha individuato 130 condizioni cliniche con un indice di concordanza predittiva (C‑index) di almeno 0,75.
• Le performance più elevate riguardano:
  • mortalità generale (C‑index = 0,84)
  • demenza (0,85)
  • infarto miocardico (0,81)
  • scompenso cardiaco (0,80)
  • malattia renale cronica (0,79)
  • ictus (0,78)

È fondamentale capire che un C‑index di 0,85 non significa che l’algoritmo preveda correttamente l’85 % dei casi; indica la capacità di ordinare correttamente, nel tempo, il livello di rischio tra individui con esiti differenti. Questa distinzione evita che risultati scientifici promettenti vengano trasformati in annunci sensazionalistici.

Il secondo studio: il rischio di morte più che raddoppiato

Una ricerca guidata da Erhan Bilal e pubblicata su Nature Communications ha analizzato oltre 10.000 registrazioni cliniche del sonno, collegandole alle cartelle sanitarie dei pazienti.

• L’algoritmo ha identificato cinque gruppi di pazienti con profili di rischio differenti.
• Nel gruppo a rischio più elevato, la mortalità risultava associata a un hazard ratio di 2,38 rispetto al gruppo di riferimento, anche dopo gli aggiustamenti statistici previsti dallo studio.
• Il confronto con i parametri tradizionali (indice apnea‑ipopnea) ha mostrato una capacità prognostica molto più limitata.

In altre parole, due persone con un numero simile di apnee possono avere profili di rischio profondamente differenti, dimostrando che la semplice conta delle apnee non è sufficiente a valutare la prognosi a lungo termine.

Che cosa fare dopo la previsione?

La domanda cruciale riguarda le azioni concrete da intraprendere una volta identificato un rischio elevato. Se un algoritmo segnala un alto rischio di demenza in una persona asintomatica, quali passi dovrebbero essere seguiti? Una valutazione neurologica approfondita? Un monitoraggio periodico? Interventi mirati sui fattori di rischio cardiovascolari?

Al momento non esistono dimostrazioni sufficienti che queste intervenzioni, basate su una previsione anticipata, migliorino effettivamente la salute rispetto alle strategie preventive tradizionali. Un modello predittivo non è automaticamente uno strumento di prevenzione; è necessario dimostrare che la conoscenza anticipata del rischio consenta azioni efficaci, evitando esami inutili, falsi allarmi e medicalizzazione di persone sane.

Limiti tecnologici e pratici

Un ulteriore punto critico riguarda la natura delle registrazioni utilizzate. Gli studi si basano su polisonnogrammi completi, ricchi di dati multimodali. Non possiamo presupporre che uno smartwatch o un semplice dispositivo domestico siano in grado di fornire informazioni equivalenti. La qualità e la quantità dei segnali registrati sono determinanti per l’affidabilità delle predizioni.

Applicazioni concrete per il Servizio Sanitario Nazionale

Per il Servizio Sanitario Nazionale italiano, questi risultati aprono scenari interessanti nella medicina preventiva e nell’“ospedale virtuale”. Registrazioni di sonno già disponibili potrebbero, in futuro, essere rianalizzate con algoritmi validati, estraendo informazioni aggiuntive senza ripetere gli esami.

Una possibile integrazione con la telemedicina, l’assistenza territoriale e il monitoraggio domiciliare potrebbe ottimizzare la gestione dei pazienti ad alto rischio. Tuttavia, prima di implementare tali soluzioni, è fondamentale rispondere a tre domande:

• Qual è il costo reale di applicare questi sistemi su larga scala?
• Quanti falsi positivi vengono generati e quale impatto hanno sul paziente?
• Quanti eventi clinici possono effettivamente essere evitati grazie a interventi precoci?

Il valore di una tecnologia sanitaria non si misura dal numero di malattie che riesce a prevedere, ma dalla quantità di sofferenza che permette di prevenire.

Prospettive future

La prospettiva è affascinante: trasformare il sonno da semplice indicatore di riposo a finestra sulla salute futura. La sfida non sarà insegnare alle macchine a prevedere sempre più patologie, ma insegnare alla medicina a tradurre quelle previsioni in azioni concrete, efficaci e sostenibili.

Riferimenti scientifici

• Thapa R. et al. “A multimodal sleep foundation model for disease prediction.” Nature Medicine, 32, 752–762 (2026).
• Bilal E. et al. “A foundation model for sleep‑based risk stratification and clinical outcomes.” Nature Communications, 17, 7603 (2026).
• Rowe R.K. “Hidden signals in sleep can predict future health.” Nature, 2026.