Forskere ved Universidade av Stanford utviklet den kunstige intelligensmodellenSleepFM, i stand til å forutsi risikoen for å utvikle mer enn 130 helsetilstander basert på data fra en enkelt natts søvn registrert ved polysomnografi. Esse-eksamen, ansett som gullstandarden for søvnanalyse, fanger opp detaljerte fysiologiske signaler, som hjerne, hjerte, åndedrettsaktivitet og kroppsbevegelser. Modellen ble trent med rundt 585 000 timer med poster fra mer enn 65 000 deltakere, slik at den kan identifisere mønstre som indikerer fremtidig risiko for alvorlige sykdommer.
Polysomnografi innebærer å feste sensorer til pasienten under søvn i spesialiserte klinikker. Esses-data, rike på informasjon om organismens funksjon, tjener nå til å forutsi forhold som kan oppstå år senere. SleepFM bruker selvovervåket læring, uten behov for omfattende manuell merking, som representerer en forbedring i forhold til tidligere modeller begrenset til spesifikke oppgaver.
Resultatene viser at modellen utkonkurrerer eller er lik gjeldende verktøy i tradisjonell søvnanalyse, som søvnstadiumklassifisering og apnédeteksjon.
Utvikling av SleepFM-modellen
Stanford-teamet valgte en jordet modelltilnærming, lik de som brukes i språk som ChatGPT, men brukt på fysiologiske data. Trening fant sted med store mengder umerkede data, noe som gjorde at SleepFM kunne lære dype forhold mellom ulike kroppssignaler. En nøkkelinnovasjon er forlate-en-ut kontrastiv læring, der modellen rekonstruerer et manglende signal fra de andre, og styrker dens forståelse av sammenhengene mellom hjerne, hjerte og pust.
Denne arkitekturen kombinerer konvolusjonelle nettverk for å behandle tidsmessige signaler og transformatorer for å fange opp lange avhengigheter. Além I tillegg justerer en kanal-agnostisk oppmerksomhetsmekanisme automatisk vektene når et signal mangler eller er støyende, noe som gjør modellen robust for bruk i forskjellige kliniske omgivelser. Datasettet inkluderte journaler fra flere klinikker, som dekket pasienter i ulik alder.
SleepFM har vist stabilitet i søvnanalyseoppgaver, og utkonkurrert tradisjonelle overvåkede modeller i nøyaktighet.
Nøyaktighet i sykdomsprediksjon
Modellen identifiserte 130 tilstander som var forutsigbare med rimelig nøyaktighet fra en natts søvn, inkludert dødelighet av alle årsaker, demens, hjerteinfarkt, hjertesvikt, kronisk nyresykdom, hjerneslag og atrieflimmer. Para mange av dem overstiger avtaleindeksen (C-indeksen) 0,80, noe som indikerer en sterk evne til å klassifisere individuelle risikoer. Previsões forekom sterkest ved kreft, svangerskapskomplikasjoner, sirkulasjonssykdommer og psykiske lidelser.
- Parkinson sykdom: høy presisjon i tidlig oppdagelse.
- Demens: risiko identifisert med høy suksessrate.
- Hjerteinfarkt: nattlige mønstre avslører hjertesårbarheter.
- Spesifikke kreftformer: som prostata og bryst, med god ytelse.
Disse resultatene er basert på samsvar med langsiktige medisinske journaler, og vurderer kun diagnoser etter søvnundersøkelsen. Modellen diagnostiserer ikke direkte, men stratifiserer risiko statistisk.
Data brukt i trening
SleepFM-trening involverte polysomnogrammer fra fire hovedkohorter, inkludert søvnklinikken til Stanford, med rekorder som går tilbake til 1999. Det totale volumet overgår sett brukt i tidligere søvnmaskinlæringsstudier med flere ganger.
Deltakerne spenner fra barn til eldre, noe som gjenspeiler alder og klinisk mangfold. Dados fra kilder som Multi-Etnisk Study av Atherosclerosis og Outcomes av Sleep Disorders i Older Men kompletterte settet. Essa skala tillot å fange naturlige variasjoner i fysiologiske signaler.
Fraværet av omfattende manuell merking løste begrensningene til tidligere modeller, som var avhengige av dyre og begrensede merknader.
Praktiske kliniske anvendelser
SleepFM åpner veien for bruk av polysomnografi utover diagnosen søvnforstyrrelser, og transformerer den til et generelt helsescreeningsverktøy. I klinikker kan det hjelpe til med tidlig identifisering av risiko for kroniske sykdommer, og tillater forebyggende intervensjoner. Sua robusthet mot variasjoner i sensorer forenkler bruk i ulike medisinske sentre.
Forskere fremhever at nattsignaler avslører et integrert syn på organismen, fanget i uavbrutt timer. Futuras-versjoner kan integrere data fra bærbare enheter som smartklokker, og utvide tilgangen utenfor laboratorier.
Fremtidig potensial for teknologi
Fremskritt i SleepFM inkluderer tolkningsteknikker for å forstå hvilke mønstre modellen prioriterer i spesifikke spådommer. Integração med daglige data fra wearables kan avgrense risikoestimatene ytterligere. Modellen representerer et skritt mot kontinuerlig og skalerbar søvnovervåking som en indikator på global helse.
Ytterligere studier tester generalisering i eksterne kohorter, bekrefter opprettholdelse av ytelse. Essa multimodal tilnærming fremhever søvn som et vindu inn i generell fysiologi.
