Ερευνητές στο Universidade του Stanford ανέπτυξαν το μοντέλο τεχνητής νοημοσύνηςSleepFM, ικανό να προβλέψει τον κίνδυνο ανάπτυξης περισσότερων από 130 καταστάσεων υγείας με βάση τα δεδομένα από τον ύπνο μιας νύχτας που καταγράφηκαν από την πολυυπνογραφία. Η εξέταση Esse, που θεωρείται το χρυσό πρότυπο για την ανάλυση ύπνου, καταγράφει λεπτομερή φυσιολογικά σήματα, όπως ο εγκέφαλος, η καρδιά, η αναπνευστική δραστηριότητα και οι κινήσεις του σώματος. Το μοντέλο εκπαιδεύτηκε με περίπου 585.000 ώρες εγγραφών από περισσότερους από 65.000 συμμετέχοντες, επιτρέποντάς του να εντοπίζει μοτίβα που υποδεικνύουν μελλοντικούς κινδύνους για σοβαρές ασθένειες.
Η πολυυπνογραφία περιλαμβάνει την προσάρτηση αισθητήρων στον ασθενή κατά τη διάρκεια του ύπνου σε εξειδικευμένες κλινικές. Τα δεδομένα Esses, πλούσια σε πληροφορίες για τη λειτουργία του οργανισμού, χρησιμεύουν τώρα για την πρόβλεψη συνθηκών που μπορεί να προκύψουν χρόνια αργότερα. Το SleepFM χρησιμοποιεί αυτοεποπτευόμενη εκμάθηση, χωρίς την ανάγκη εκτεταμένης χειροκίνητης επισήμανσης, η οποία αντιπροσωπεύει μια βελτίωση σε σχέση με προηγούμενα μοντέλα που περιορίζονται σε συγκεκριμένες εργασίες.
Τα αποτελέσματα δείχνουν ότι το μοντέλο υπερέχει ή ισοδυναμεί με τα τρέχοντα εργαλεία στην παραδοσιακή ανάλυση ύπνου, όπως η ταξινόμηση σταδίων ύπνου και η ανίχνευση άπνοιας.
Ανάπτυξη του μοντέλου SleepFM
Η ομάδα Stanford επέλεξε μια προσέγγιση βασισμένου μοντέλου, παρόμοια με εκείνα που χρησιμοποιούνται σε γλώσσες όπως το ChatGPT, αλλά εφαρμόζεται σε φυσιολογικά δεδομένα. Η εκπαίδευση πραγματοποιήθηκε με τεράστιους όγκους δεδομένων χωρίς ετικέτα, επιτρέποντας στο SleepFM να μάθει βαθιές σχέσεις μεταξύ διαφορετικών σημάτων σώματος. Μια βασική καινοτομία είναι η εκμάθηση αντίθεσης, στην οποία το μοντέλο αναδομεί ένα σήμα που λείπει από τα άλλα, ενισχύοντας την κατανόησή του για τις διασυνδέσεις μεταξύ εγκεφάλου, καρδιάς και αναπνοής.
Αυτή η αρχιτεκτονική συνδυάζει συνελικτικά δίκτυα για την επεξεργασία χρονικών σημάτων και μετασχηματιστές για την καταγραφή μεγάλων εξαρτήσεων. Além Επιπλέον, ένας μηχανισμός αγνωστικής προσοχής στα κανάλια προσαρμόζει αυτόματα τα βάρη όταν λείπει ένα σήμα ή υπάρχει θόρυβος, καθιστώντας το μοντέλο ανθεκτικό για χρήση σε διαφορετικές κλινικές ρυθμίσεις. Το σύνολο δεδομένων περιελάμβανε αρχεία από διάφορες κλινικές, που κάλυπταν ασθενείς διαφόρων ηλικιών.
Το SleepFM έχει επιδείξει σταθερότητα στις εργασίες ανάλυσης ύπνου, ξεπερνώντας σε ακρίβεια τα παραδοσιακά εποπτευόμενα μοντέλα.
Ακρίβεια στην πρόβλεψη ασθενειών
Το μοντέλο εντόπισε 130 καταστάσεις προβλέψιμες με λογική ακρίβεια από τον νυχτερινό ύπνο, συμπεριλαμβανομένης της θνησιμότητας από όλες τις αιτίες, της άνοιας, του εμφράγματος του μυοκαρδίου, της καρδιακής ανεπάρκειας, της χρόνιας νεφρικής νόσου, του εγκεφαλικού και της κολπικής μαρμαρυγής. Para σε πολλά από αυτά, ο δείκτης συμφωνίας (C-index) υπερβαίνει το 0,80, υποδηλώνοντας μια ισχυρή ικανότητα ταξινόμησης μεμονωμένων κινδύνων. Το Previsões εμφανίστηκε σε καρκίνους, επιπλοκές εγκυμοσύνης, κυκλοφορικές παθήσεις και ψυχικές διαταραχές.
- Νόσος Parkinson: υψηλή ακρίβεια στην έγκαιρη ανίχνευση.
- Άνοια: κίνδυνος που ταυτίζεται με υψηλό ποσοστό επιτυχίας.
- Καρδιακή προσβολή: τα νυχτερινά μοτίβα αποκαλύπτουν καρδιακές ευπάθειες.
- Συγκεκριμένοι καρκίνοι: όπως του προστάτη και του μαστού, με καλή απόδοση.
Αυτά τα αποτελέσματα βασίζονται στην αντιστοίχιση με τα μακροπρόθεσμα ιατρικά αρχεία, λαμβάνοντας υπόψη μόνο τις διαγνώσεις μετά την εξέταση ύπνου. Το μοντέλο δεν κάνει άμεσα διάγνωση, αλλά στρωματοποιεί τους κινδύνους στατιστικά.
Δεδομένα που χρησιμοποιούνται στην εκπαίδευση
Η εκπαίδευση SleepFM περιελάμβανε πολυυπνογραφήματα από τέσσερις κύριες κοόρτες, συμπεριλαμβανομένης της κλινικής ύπνου του Stanford, με αρχεία που χρονολογούνται από το 1999. Ο συνολικός όγκος ξεπερνά τα σύνολα που χρησιμοποιήθηκαν σε προηγούμενες μελέτες μηχανικής μάθησης ύπνου κατά αρκετές φορές.
Οι συμμετέχοντες κυμαίνονται από παιδιά έως ηλικιωμένους, αντανακλώντας την ηλικία και την κλινική ποικιλομορφία. Το Dados από πηγές όπως το Multi-Ethnic Study του Atherosclerosis και το Outcomes του Sleep Disorders στο Older Men συμπλήρωσαν το σύνολο. Η κλίμακα Essa επέτρεψε τη λήψη φυσικών διακυμάνσεων στα φυσιολογικά σήματα.
Η απουσία εκτεταμένης χειροκίνητης επισήμανσης επέλυσε τους περιορισμούς των προηγούμενων μοντέλων, τα οποία βασίζονταν σε ακριβούς και περιορισμένους σχολιασμούς.
Πρακτικές κλινικές εφαρμογές
Το SleepFM ανοίγει τον δρόμο για τη χρήση της πολυυπνογραφίας πέρα από τη διάγνωση διαταραχών ύπνου, μετατρέποντάς την σε ένα γενικό εργαλείο προσυμπτωματικού ελέγχου υγείας. Στις κλινικές, μπορεί να βοηθήσει στον έγκαιρο εντοπισμό των κινδύνων για χρόνιες παθήσεις, επιτρέποντας προληπτικές παρεμβάσεις. Η ανθεκτικότητα Sua στις παραλλαγές των αισθητήρων διευκολύνει την εφαρμογή σε διαφορετικά ιατρικά κέντρα.
Οι ερευνητές τονίζουν ότι τα νυχτερινά σήματα αποκαλύπτουν μια ολοκληρωμένη άποψη του οργανισμού, που καταγράφεται κατά τη διάρκεια αδιάκοπων ωρών. Οι εκδόσεις Futuras μπορούν να ενσωματώσουν δεδομένα από φορητές συσκευές, όπως έξυπνα ρολόγια, επεκτείνοντας την πρόσβαση εκτός εργαστηρίων.
Μελλοντικές δυνατότητες της τεχνολογίας
Οι εξελίξεις στο SleepFM περιλαμβάνουν τεχνικές ερμηνείας για την κατανόηση των μοτίβων που δίνει προτεραιότητα το μοντέλο σε συγκεκριμένες προβλέψεις. Το Integração με καθημερινά δεδομένα από wearables μπορεί να βελτιώσει περαιτέρω τις εκτιμήσεις κινδύνου. Το μοντέλο αντιπροσωπεύει ένα βήμα προς τη συνεχή και κλιμακούμενη παρακολούθηση του ύπνου ως δείκτη της παγκόσμιας υγείας.
Πρόσθετες μελέτες ελέγχουν τη γενίκευση σε εξωτερικές κοόρτες, επιβεβαιώνοντας τη διατήρηση της απόδοσης. Η πολυτροπική προσέγγιση Essa υπογραμμίζει τον ύπνο ως παράθυρο στη γενική φυσιολογία.