Forskere ved Universidade af Stanford udviklede den kunstige intelligens-modelSleepFM, der er i stand til at forudsige risikoen for at udvikle mere end 130 helbredstilstande baseret på data fra en enkelt nattesøvn registreret ved polysomnografi. Esse eksamen, der betragtes som guldstandarden for søvnanalyse, fanger detaljerede fysiologiske signaler, såsom hjerne, hjerte, åndedrætsaktivitet og kropsbevægelser. Modellen blev trænet med omkring 585.000 timers optegnelser fra mere end 65.000 deltagere, hvilket gør det muligt for den at identificere mønstre, der indikerer fremtidige risici for alvorlige sygdomme.
Polysomnografi involverer fastgørelse af sensorer til patienten under søvn i specialiserede klinikker. Esses data, rig på information om organismens funktion, tjener nu til at forudsige forhold, der kan opstå år senere. SleepFM bruger selvovervåget læring uden behov for omfattende manuel mærkning, hvilket repræsenterer en forbedring i forhold til tidligere modeller begrænset til specifikke opgaver.
Resultaterne viser, at modellen udkonkurrerer eller er lig med nuværende værktøjer i traditionel søvnanalyse, såsom søvnstadieklassificering og apnødetektion.
Udvikling af SleepFM modellen
Stanford-teamet valgte en jordet modeltilgang, svarende til dem, der bruges på sprog som ChatGPT, men anvendt på fysiologiske data. Træningen fandt sted med store mængder umærkede data, hvilket gjorde det muligt for SleepFM at lære dybe relationer mellem forskellige kropssignaler. En nøgleinnovation er leave-one-out kontrastiv læring, hvor modellen rekonstruerer et manglende signal fra de andre, hvilket styrker dens forståelse af sammenhængen mellem hjerne, hjerte og vejrtrækning.
Denne arkitektur kombinerer foldningsnetværk til at behandle tidsmæssige signaler og transformere for at fange lange afhængigheder. Além Derudover justerer en kanal-agnostisk opmærksomhedsmekanisme automatisk vægte, når et signal mangler eller er støjende, hvilket gør modellen robust til brug i forskellige kliniske omgivelser. Datasættet omfattede optegnelser fra flere klinikker, der dækkede patienter i forskellige aldre.
SleepFM har demonstreret stabilitet i søvnanalyseopgaver, og har overgået traditionelle overvågede modeller med hensyn til nøjagtighed.
Nøjagtighed i sygdomsforudsigelse
Modellen identificerede 130 tilstande, der kunne forudsiges med rimelig nøjagtighed fra en nattesøvn, inklusive dødelighed af alle årsager, demens, myokardieinfarkt, hjertesvigt, kronisk nyresygdom, slagtilfælde og atrieflimren. Para mange af dem overstiger aftaleindekset (C-indekset) 0,80, hvilket indikerer en stærk evne til at klassificere individuelle risici. Previsões forekom stærkest i kræftformer, graviditetskomplikationer, kredsløbssygdomme og psykiske lidelser.
- Parkinson sygdom: høj præcision ved tidlig påvisning.
- Demens: risiko identificeret med en høj succesrate.
- Hjerteanfald: natlige mønstre afslører hjertesårbarheder.
- Specifikke kræftformer: såsom prostata og bryst, med god ydeevne.
Disse resultater er baseret på matchning med langsigtede medicinske journaler, idet der kun tages hensyn til diagnoser efter søvnundersøgelsen. Modellen diagnosticerer ikke direkte, men stratificerer risici statistisk.
Data brugt i træning
SleepFM-træning involverede polysomnogrammer fra fire hovedkohorter, herunder søvnklinikken Stanford, med rekorder, der går tilbage til 1999. Det samlede volumen overstiger sæt brugt i tidligere søvnmaskineindlæringsstudier flere gange.
Deltagerne spænder fra børn til ældre, hvilket afspejler alder og klinisk mangfoldighed. Dados fra kilder som Multi-Etnisk Study af Atherosclerosis og Outcomes af Sleep Disorders i Older Men supplerede sættet. Essa skalaen gjorde det muligt at fange naturlige variationer i fysiologiske signaler.
Fraværet af omfattende manuel mærkning løste begrænsningerne for tidligere modeller, som var afhængige af dyre og begrænsede anmærkninger.
Praktiske kliniske anvendelser
SleepFM åbner vejen for brugen af polysomnografi ud over diagnosticering af søvnforstyrrelser, og transformerer den til et generelt sundhedsscreeningsværktøj. I klinikker kan det hjælpe med tidlig identifikation af risici for kroniske sygdomme, hvilket muliggør forebyggende indgreb. Sua robusthed over for variationer i sensorer letter anvendelse i forskellige medicinske centre.
Forskere fremhæver, at nattesignaler afslører et integreret syn på organismen, fanget i uafbrudte timer. Futuras-versioner kan integrere data fra bærbare enheder såsom smarture, hvilket udvider adgangen uden for laboratorier.
Teknologiens fremtidige potentiale
Fremskridt i SleepFM inkluderer fortolkningsteknikker til at forstå, hvilke mønstre modellen prioriterer i specifikke forudsigelser. Integração med daglige data fra wearables kan yderligere forfine risikoestimater. Modellen repræsenterer et skridt mod kontinuerlig og skalerbar søvnovervågning som en indikator for global sundhed.
Yderligere undersøgelser tester generalisering i eksterne kohorter, der bekræfter opretholdelse af præstation. Essa multimodal tilgang fremhæver søvn som et vindue til generel fysiologi.
