นักวิจัยจากมหาวิทยาลัยสแตนฟอร์ดได้พัฒนาแบบจำลองปัญญาประดิษฐ์สลีปเอฟเอ็มสามารถทำนายความเสี่ยงในการพัฒนาสภาวะสุขภาพได้มากกว่า 130 สภาวะ โดยอิงข้อมูลจากการนอนหลับคืนเดียวที่บันทึกโดยการตรวจหลายส่วน การสอบนี้ถือเป็นมาตรฐานทองคำสำหรับการวิเคราะห์การนอนหลับ โดยจะบันทึกสัญญาณทางสรีรวิทยาโดยละเอียด เช่น สมอง หัวใจ กิจกรรมทางเดินหายใจ และการเคลื่อนไหวของร่างกาย แบบจำลองดังกล่าวได้รับการฝึกอบรมด้วยบันทึกประมาณ 585,000 ชั่วโมงจากผู้เข้าร่วมมากกว่า 65,000 คน ทำให้สามารถระบุรูปแบบที่บ่งบอกถึงความเสี่ยงในอนาคตสำหรับโรคร้ายแรง
Polysomnography เกี่ยวข้องกับการติดเซ็นเซอร์กับผู้ป่วยระหว่างการนอนหลับในคลินิกเฉพาะทาง ข้อมูลนี้อุดมไปด้วยข้อมูลเกี่ยวกับการทำงานของสิ่งมีชีวิต ปัจจุบันทำหน้าที่ทำนายสภาวะที่อาจเกิดขึ้นในปีต่อมา SleepFM ใช้การเรียนรู้แบบมีผู้ดูแลด้วยตนเอง โดยไม่ต้องมีการติดป้ายด้วยตนเองอย่างละเอียด ซึ่งแสดงถึงการปรับปรุงจากรุ่นก่อนหน้าที่จำกัดเฉพาะงานเฉพาะ
ผลการวิจัยพบว่าแบบจำลองนี้มีประสิทธิภาพเหนือกว่าหรือเท่ากับเครื่องมือปัจจุบันในการวิเคราะห์การนอนหลับแบบเดิมๆ เช่น การจำแนกระยะการนอนหลับ และการตรวจจับภาวะหยุดหายใจขณะหลับ
การพัฒนาโมเดล SleepFM
ทีมงาน Stanford เลือกใช้แนวทางการสร้างแบบจำลองที่มีพื้นฐานคล้ายกับที่ใช้ในภาษาเช่น ChatGPT แต่นำไปใช้กับข้อมูลทางสรีรวิทยา การฝึกอบรมเกิดขึ้นพร้อมกับข้อมูลที่ไม่มีป้ายกำกับจำนวนมหาศาล ช่วยให้ SleepFM เรียนรู้ความสัมพันธ์ที่ลึกซึ้งระหว่างสัญญาณต่างๆ ของร่างกาย นวัตกรรมที่สำคัญคือการเรียนรู้แบบเปรียบเทียบแบบละทิ้ง ซึ่งโมเดลจะสร้างสัญญาณที่ขาดหายไปจากสัญญาณอื่นๆ ขึ้นมาใหม่ เสริมสร้างความเข้าใจเกี่ยวกับการเชื่อมโยงระหว่างสมอง หัวใจ และการหายใจ
สถาปัตยกรรมนี้รวมเครือข่ายแบบหมุนวนเพื่อประมวลผลสัญญาณชั่วคราวและหม้อแปลงไฟฟ้าเพื่อบันทึกการพึ่งพาที่ยาวนาน นอกจากนี้ กลไกความสนใจแบบไม่เชื่อเรื่องช่องสัญญาณจะปรับน้ำหนักโดยอัตโนมัติเมื่อสัญญาณขาดหายไปหรือมีเสียงรบกวน ทำให้แบบจำลองมีความทนทานสำหรับการใช้งานในสภาพแวดล้อมทางคลินิกต่างๆ ชุดข้อมูลประกอบด้วยบันทึกจากคลินิกหลายแห่ง ซึ่งครอบคลุมผู้ป่วยทุกช่วงอายุ
SleepFM ได้แสดงให้เห็นถึงความเสถียรในงานวิเคราะห์การนอนหลับ ซึ่งมีประสิทธิภาพเหนือกว่าโมเดลภายใต้การดูแลแบบดั้งเดิมในด้านความแม่นยำ
ความแม่นยำในการพยากรณ์โรค
แบบจำลองระบุสภาวะ 130 สภาวะที่สามารถคาดการณ์ได้ด้วยความแม่นยำพอสมควรจากการนอนหลับทั้งคืน ซึ่งรวมถึงการเสียชีวิตจากทุกสาเหตุ ภาวะสมองเสื่อม กล้ามเนื้อหัวใจตาย ภาวะหัวใจล้มเหลว โรคไตเรื้อรัง โรคหลอดเลือดสมอง และภาวะหัวใจห้องบนสั่นพลิ้ว สำหรับหลายราย ดัชนีข้อตกลง (C-index) เกิน 0.80 ซึ่งบ่งชี้ถึงความสามารถที่แข็งแกร่งในการจำแนกความเสี่ยงส่วนบุคคล การคาดการณ์ที่รุนแรงยิ่งขึ้นเกิดขึ้นในโรคมะเร็ง ภาวะแทรกซ้อนในการตั้งครรภ์ โรคระบบไหลเวียนโลหิต และความผิดปกติทางจิต
- โรคพาร์กินสัน: มีความแม่นยำสูงในการตรวจพบตั้งแต่เนิ่นๆ
- ภาวะสมองเสื่อม: ความเสี่ยงที่ระบุด้วยอัตราความสำเร็จสูง
- หัวใจวาย: รูปแบบการออกหากินเวลากลางคืนเผยให้เห็นความอ่อนแอของหัวใจ
- มะเร็งจำเพาะ เช่น ต่อมลูกหมาก และเต้านม โดยมีประสิทธิภาพดี
ผลลัพธ์เหล่านี้อิงจากการจับคู่กับบันทึกทางการแพทย์ระยะยาว โดยพิจารณาเฉพาะการวินิจฉัยภายหลังการตรวจการนอนหลับ แบบจำลองนี้ไม่ได้วินิจฉัยโดยตรง แต่แบ่งชั้นความเสี่ยงทางสถิติ
ข้อมูลที่ใช้ในการอบรม
การฝึกอบรม SleepFM เกี่ยวข้องกับการตรวจการนอนหลับหลายรูปแบบจากกลุ่มประชากรตามรุ่นหลัก 4 กลุ่ม รวมถึงคลินิกการนอนหลับของมหาวิทยาลัยสแตนฟอร์ด ซึ่งมีบันทึกย้อนหลังไปถึงปี 1999 ข้อมูลบางส่วนมาจากผู้ป่วยที่ติดตามมานานถึง 25 ปี ทำให้สามารถวิเคราะห์วิวัฒนาการด้านสุขภาพได้ ปริมาตรรวมเกินกว่าชุดที่ใช้ในการศึกษาการเรียนรู้ของเครื่องการนอนหลับก่อนหน้านี้หลายเท่า
ผู้เข้าร่วมมีตั้งแต่เด็กไปจนถึงผู้สูงอายุ ซึ่งสะท้อนถึงอายุและความหลากหลายทางคลินิก ข้อมูลจากแหล่งต่างๆ เช่น การศึกษาหลายเชื้อชาติเกี่ยวกับโรคหลอดเลือดและผลลัพธ์ของความผิดปกติของการนอนหลับในผู้ชายสูงอายุ ช่วยเสริมชุดนี้ ระดับนี้ทำให้เราสามารถจับความแปรผันตามธรรมชาติของสัญญาณทางสรีรวิทยาได้
การไม่มีการจัดการฉลากแบบแมนนวลอย่างกว้างขวางช่วยแก้ไขข้อจำกัดของรุ่นก่อนๆ ซึ่งอาศัยคำอธิบายประกอบที่มีราคาแพงและจำกัด
การใช้งานทางคลินิกเชิงปฏิบัติ
SleepFM เปิดทางให้การใช้เครื่องตรวจการนอนหลับหลายรูปแบบ (Polysomnography) นอกเหนือจากการวินิจฉัยความผิดปกติของการนอนหลับ โดยเปลี่ยนให้เป็นเครื่องมือคัดกรองสุขภาพทั่วไป ในคลินิก สามารถช่วยในการระบุความเสี่ยงของโรคเรื้อรังได้ตั้งแต่เนิ่นๆ ทำให้เกิดการแทรกแซงเชิงป้องกัน ความทนทานต่อการเปลี่ยนแปลงของเซ็นเซอร์ช่วยให้การประยุกต์ใช้งานในศูนย์การแพทย์ต่างๆ ง่ายขึ้น
นักวิจัยเน้นย้ำว่าสัญญาณในเวลากลางคืนเผยให้เห็นมุมมองแบบบูรณาการของสิ่งมีชีวิต ซึ่งบันทึกได้ในช่วงเวลาต่อเนื่องกัน เวอร์ชันในอนาคตสามารถรวมข้อมูลจากอุปกรณ์สวมใส่ได้ เช่น นาฬิกาอัจฉริยะ เพื่อขยายการเข้าถึงภายนอกห้องปฏิบัติการ
ศักยภาพของเทคโนโลยีในอนาคต
ความก้าวหน้าใน SleepFM รวมถึงเทคนิคการตีความเพื่อทำความเข้าใจว่ารูปแบบใดที่แบบจำลองจัดลำดับความสำคัญในการทำนายเฉพาะ การผสานรวมกับข้อมูลรายวันจากอุปกรณ์สวมใส่สามารถปรับปรุงการประมาณความเสี่ยงเพิ่มเติมได้ แบบจำลองนี้แสดงถึงก้าวสู่การติดตามการนอนหลับอย่างต่อเนื่องและปรับขนาดได้ ซึ่งเป็นตัวบ่งชี้ด้านสุขภาพทั่วโลก
การศึกษาเพิ่มเติมทดสอบลักษณะทั่วไปในกลุ่มประชากรตามรุ่นภายนอก เพื่อยืนยันการรักษาประสิทธิภาพ วิธีการต่อเนื่องหลายรูปแบบนี้เน้นย้ำการนอนหลับเสมือนเป็นหน้าต่างสู่สรีรวิทยาโดยรวม
