Výzkumníci z Universidade z Stanford vyvinuli model umělé inteligenceSleepFM, schopný předpovídat riziko rozvoje více než 130 zdravotních stavů na základě údajů ze spánku jedné noci zaznamenaných polysomnografií. Vyšetření Esse, považované za zlatý standard pro analýzu spánku, zachycuje podrobné fyziologické signály, jako je mozek, srdce, respirační aktivita a pohyby těla. Model byl trénován s přibližně 585 000 hodinami záznamů od více než 65 000 účastníků, což mu umožnilo identifikovat vzorce, které naznačují budoucí rizika závažných onemocnění.
Polysomnografie zahrnuje připojení senzorů k pacientovi během spánku na specializovaných klinikách. Data Esses, bohatá na informace o fungování organismu, nyní slouží k předpovědi stavů, které mohou nastat až po letech. SleepFM využívá samokontrolované učení bez nutnosti rozsáhlého ručního označování, což představuje zlepšení oproti předchozím modelům omezeným na konkrétní úkoly.
Výsledky ukazují, že model předčí nebo se vyrovná současným nástrojům v tradiční analýze spánku, jako je klasifikace fází spánku a detekce apnoe.
Vývoj modelu SleepFM
Tým Stanford se rozhodl pro přístup založený na modelu, podobný těm, které se používají v jazycích jako ChatGPT, ale aplikovaný na fyziologická data. Školení probíhalo s obrovskými objemy neoznačených dat, což umožnilo SleepFM naučit se hluboké vztahy mezi různými signály těla. Klíčovou novinkou je vynechání kontrastního učení, při kterém model rekonstruuje chybějící signál od ostatních, čímž posílí jeho chápání propojení mezi mozkem, srdcem a dýcháním.
Tato architektura kombinuje konvoluční sítě pro zpracování časových signálů a transformátory pro zachycení dlouhých závislostí. Além Mechanismus pozornosti zaměřený na kanály navíc automaticky upravuje váhy, když signál chybí nebo je zašuměný, díky čemuž je model robustní pro použití v různých klinických podmínkách. Soubor dat obsahoval záznamy z několika klinik, které zahrnovaly pacienty různého věku.
SleepFM prokázal stabilitu v úlohách analýzy spánku a předčil tradiční modely pod dohledem v přesnosti.
Přesnost v predikci onemocnění
Model identifikoval 130 stavů předvídatelných s přiměřenou přesností z nočního spánku, včetně úmrtnosti ze všech příčin, demence, infarktu myokardu, srdečního selhání, chronického onemocnění ledvin, mrtvice a fibrilace síní. Para mnoho z nich, index shody (C-index) přesahuje 0,80, což ukazuje na silnou schopnost klasifikovat jednotlivá rizika. Previsões se nejvíce vyskytlo u rakoviny, těhotenských komplikací, oběhových chorob a duševních poruch.
- Onemocnění Parkinson: vysoká přesnost v časné detekci.
- Demence: riziko identifikované s vysokou úspěšností.
- Srdeční záchvat: noční vzorce odhalují srdeční zranitelnost.
- Specifické rakoviny: jako je prostata a prsa, s dobrým výkonem.
Tyto výsledky jsou založeny na porovnání s dlouhodobými lékařskými záznamy, přičemž se berou v úvahu pouze diagnózy následující po zkoušce spánku. Model nediagnostikuje přímo, ale statisticky stratifikuje rizika.
Data použitá při školení
Trénink SleepFM zahrnoval polysomnogramy ze čtyř hlavních kohort, včetně spánkové kliniky Stanford, se záznamy sahajícími do roku 1999. Celkový objem několikrát převyšuje sady používané v předchozích studiích strojového učení spánku.
Účastníci se pohybují od dětí po seniory, což odráží věk a klinickou rozmanitost. Dados ze zdrojů, jako je Multi-Ethnic Study z Atherosclerosis a Outcomes z Sleep Disorders v Older Men doplnil soubor. Stupnice Essa umožnila zachytit přirozené variace fyziologických signálů.
Absence rozsáhlého ručního označování vyřešila omezení předchozích modelů, které spoléhaly na drahé a omezené anotace.
Praktické klinické aplikace
SleepFM otevírá cestu k použití polysomnografie nad rámec diagnózy poruch spánku a přeměňuje ji na obecný nástroj pro screening zdraví. Na klinikách může pomoci při včasné identifikaci rizik u chronických onemocnění a umožňuje preventivní zásahy. Odolnost Sua vůči změnám senzorů usnadňuje aplikaci v různých lékařských centrech.
Výzkumníci zdůrazňují, že noční signály odhalují integrovaný pohled na organismus, zachycený během nepřetržitých hodin. Verze Futuras mohou integrovat data z nositelných zařízení, jako jsou chytré hodinky, a rozšířit tak přístup mimo laboratoře.
Budoucí potenciál technologie
Pokroky v SleepFM zahrnují interpretační techniky k pochopení, které vzory model upřednostňuje v konkrétních předpovědích. Integração s denními daty z nositelných zařízení může dále zpřesnit odhady rizik. Model představuje krok ke kontinuálnímu a škálovatelnému monitorování spánku jako indikátoru globálního zdraví.
Další studie testují zobecnění v externích kohortách a potvrzují udržení výkonu. Essa multimodální přístup zdůrazňuje spánek jako okno do obecné fyziologie.
