Cercetătorii de la Universidade din Stanford au dezvoltat modelul de inteligență artificialăSleepFM, capabilă să prezică riscul de a dezvolta mai mult de 130 de afecțiuni de sănătate pe baza datelor dintr-o singură noapte de somn înregistrate prin polisomnografie. Examenul Esse, considerat standardul de aur pentru analiza somnului, captează semnale fiziologice detaliate, cum ar fi creierul, inima, activitatea respiratorie și mișcările corpului. Modelul a fost antrenat cu aproximativ 585.000 de ore de înregistrări de la peste 65.000 de participanți, permițându-i să identifice modele care indică riscuri viitoare pentru boli grave.
Polisomnografia presupune atașarea senzorilor la pacient în timpul somnului în clinici specializate. Datele Esses, bogate în informații despre funcționarea organismului, servesc acum la prezicerea condițiilor care pot apărea ani mai târziu. SleepFM folosește învățarea auto-supravegheată, fără a fi necesară o etichetare manuală extinsă, ceea ce reprezintă o îmbunătățire față de modelele anterioare limitate la sarcini specifice.
Rezultatele arată că modelul depășește sau egalează instrumentele actuale în analiza tradițională a somnului, cum ar fi clasificarea etapei de somn și detectarea apneei.
Dezvoltarea modelului SleepFM
Echipa Stanford a optat pentru o abordare bazată pe model, similară cu cele folosite în limbaje precum ChatGPT, dar aplicată datelor fiziologice. Antrenamentul a avut loc cu volume mari de date neetichetate, permițând SleepFM să învețe relații profunde dintre diferitele semnale ale corpului. O inovație esențială este învățarea contrastantă exclusă, în care modelul reconstruiește un semnal lipsă de la ceilalți, întărind înțelegerea interconexiunilor dintre creier, inimă și respirație.
Această arhitectură combină rețele convoluționale pentru a procesa semnale temporale și transformatoare pentru a captura dependențe lungi. Além În plus, un mecanism de atenție independent de canal ajustează automat greutățile atunci când un semnal lipsește sau este zgomotos, făcând modelul robust pentru utilizare în diferite setări clinice. Setul de date a inclus înregistrări de la mai multe clinici, care acoperă pacienți de diferite vârste.
SleepFM a demonstrat stabilitate în sarcinile de analiză a somnului, depășind în acuratețe modelele tradiționale supravegheate.
Precizie în predicția bolii
Modelul a identificat 130 de afecțiuni previzibile cu o acuratețe rezonabilă dintr-o noapte de somn, inclusiv mortalitate de orice cauză, demență, infarct miocardic, insuficiență cardiacă, boală cronică de rinichi, accident vascular cerebral și fibrilație atrială. Para multe dintre ele, indicele acordului (indicele C) depășește 0,80, indicând o capacitate puternică de clasificare a riscurilor individuale. Previsões cel mai puternic a avut loc în cancere, complicații ale sarcinii, boli circulatorii și tulburări psihice.
- Boala Parkinson: mare precizie în detectarea precoce.
- Demență: risc identificat cu o rată mare de succes.
- Infarct: modelele nocturne dezvăluie vulnerabilități cardiace.
- Cancerele specifice: precum prostata si san, cu performante bune.
Aceste rezultate se bazează pe potrivirea cu fișele medicale pe termen lung, luând în considerare doar diagnosticele ulterioare examenului de somn. Modelul nu diagnostichează direct, ci stratifică riscurile statistic.
Date utilizate în antrenament
Antrenamentul SleepFM a implicat polisomnograme din patru cohorte principale, inclusiv clinica de somn a Stanford, cu înregistrări care datează din 1999. Volumul total depășește de câteva ori seturile utilizate în studiile anterioare de învățare automată a somnului.
Participanții variază de la copii la vârstnici, reflectând vârsta și diversitatea clinică. Dados din surse precum Multi-Ethnic Study din Atherosclerosis și Outcomes din Sleep Disorders din Older Men au completat setul. Scala Essa a permis surprinderea variațiilor naturale ale semnalelor fiziologice.
Absența etichetării manuale extinse a rezolvat limitările modelelor anterioare, care se bazau pe adnotări costisitoare și limitate.
Aplicații clinice practice
SleepFM deschide calea pentru utilizarea polisomnografiei dincolo de diagnosticul tulburărilor de somn, transformându-l într-un instrument de screening general al sănătății. În clinici, poate ajuta la identificarea precoce a riscurilor pentru bolile cronice, permițând intervenții preventive. Sua robustețea la variațiile senzorilor facilitează aplicarea în diferite centre medicale.
Cercetătorii subliniază că semnalele pe timp de noapte dezvăluie o vedere integrată a organismului, capturată în timpul orelor neîntrerupte. Versiunile Futuras pot integra date de la dispozitive portabile, cum ar fi ceasurile inteligente, extinzând accesul în afara laboratoarelor.
Potențialul viitor al tehnologiei
Progresele în SleepFM includ tehnici de interpretare pentru a înțelege ce modele prioritizează modelul în predicții specifice. Integração cu date zilnice de la articolele portabile poate rafina și mai mult estimările de risc. Modelul reprezintă un pas către monitorizarea continuă și scalabilă a somnului ca indicator al sănătății globale.
Studii suplimentare testează generalizarea în cohorte externe, confirmând menținerea performanței. Abordarea multimodală Essa evidențiază somnul ca o fereastră către fiziologia generală.
