Eine unruhige Nacht führt oft zu Müdigkeit am nächsten Tag, kann aber auch auf Gesundheitsprobleme hinweisen, die erst viel später auftreten. Wissenschaftler von Stanford Medicine und ihre Kooperationspartner haben ein System künstlicher Intelligenz entwickelt, das die Körpersignale einer einzigen Nacht Schlaf untersuchen und das Risiko einer Person für mehr als 100 verschiedene Erkrankungen einschätzen kann. Das System namens SleepFM wurde anhand von fast 600.000 Stunden Schlafaufzeichnungen von 65.000 Personen trainiert. Diese Aufzeichnungen stammen aus der Polysomnographie, einem eingehenden Schlaftest, bei dem mehrere Sensoren verwendet werden, um die Gehirnaktivität, die Herzfunktion, die Atemmuster, die Augenbewegungen, die Beinbewegungen und andere körperliche Signale während des Schlafs zu verfolgen.

Schlafstudien enthalten ungenutzte Gesundheitsdaten

Die Polysomnographie gilt als Goldstandard für die Beurteilung des Schlafs und wird in der Regel über Nacht in einem Labor durchgeführt. Sie wird zwar häufig zur Diagnose von Schlafstörungen eingesetzt, aber Forscher haben erkannt, dass sie auch eine Vielzahl physiologischer Informationen erfasst, die bisher kaum vollständig analysiert wurden. „Wir zeichnen eine erstaunliche Anzahl von Signalen auf, wenn wir den Schlaf untersuchen“, sagte Dr. med. Emmanual Mignot, PhD, Craig Reynolds Professor für Schlafmedizin und Co-Seniorautor der neuen Studie, die in Nature Medicine veröffentlicht wurde. „Es handelt sich um eine Art allgemeine Physiologie, die wir acht Stunden lang bei einer Person untersuchen, die sich vollständig in unserer Obhut befindet. Die Daten sind sehr umfangreich.“

In der routinemäßigen klinischen Praxis wird nur ein kleiner Teil dieser Informationen untersucht. Dank der jüngsten Fortschritte in der künstlichen Intelligenz können Forscher diese großen und komplexen Datensätze nun gründlicher analysieren. Nach Angaben des Teams ist diese Arbeit die erste, bei der KI in so großem Umfang auf Schlafdaten angewendet wird. „Aus Sicht der KI ist der Schlaf relativ wenig erforscht. Es gibt viele andere KI-Arbeiten, die sich mit Pathologie oder Kardiologie befassen, aber relativ wenige, die sich mit dem Schlaf beschäftigen, obwohl der Schlaf ein so wichtiger Teil des Lebens ist“, sagte James Zou, PhD, Associate Professor für biomedizinische Datenwissenschaft und Co-Seniorautor der Studie.

KI die Schlafmuster beibringen

Um Erkenntnisse aus den Daten zu gewinnen, entwickelten die Forscher ein Basismodell, eine Art KI, die darauf ausgelegt ist, allgemeine Muster aus sehr großen Datensätzen zu lernen und dieses Wissen dann auf viele Aufgaben anzuwenden. Große Sprachmodelle wie ChatGPT verwenden einen ähnlichen Ansatz, allerdings werden sie mit Text statt mit biologischen Signalen trainiert. SleepFM wurde mit 585.000 Stunden Polysomnographie-Daten trainiert, die von Patienten gesammelt wurden, die in Schlafkliniken untersucht wurden. Jede Schlafüberwachung wurde in Fünf-Sekunden-Segmente unterteilt, die ähnlich wie Wörter funktionieren, die zum Trainieren sprachbasierter KI-Systeme verwendet werden. SleepFM lernt im Wesentlichen die Sprache des Schlafs. sagte Zou.

Das Modell integriert mehrere Informationsströme, darunter Gehirnsignale, Herzrhythmen, Muskelaktivität, Pulsmessungen und Luftstrom während der Atmung, und lernt, wie diese Signale miteinander interagieren. Um dem System zu helfen, diese Zusammenhänge zu verstehen, entwickelten die Forscher eine Trainingsmethode namens „Leave-One-Out Contrastive Learning”. Bei diesem Ansatz wird jeweils eine Signalart entfernt und das Modell aufgefordert, diese anhand der verbleibenden Daten zu rekonstruieren. Eine der technischen Neuerungen, die sie bei dieser Arbeit erzielt haben, besteht darin, herauszufinden, wie all diese verschiedenen Datenmodalitäten harmonisiert werden können, damit sie zusammenkommen und dieselbe Sprache lernen können.

Vorhersage zukünftiger Krankheiten anhand des Schlafs

Nach dem Training passten die Forscher das Modell für bestimmte Aufgaben an. Zunächst testeten sie es bei Standard-Schlafuntersuchungen, wie der Identifizierung von Schlafphasen und der Bewertung des Schweregrads von Schlafapnoe. In diesen Tests erreichte SleepFM die Leistung der derzeit führenden Modelle oder übertraf sie sogar. Anschließend verfolgte das Team ein ehrgeizigeres Ziel: Es wollte herausfinden, ob Schlafdaten zukünftige Krankheiten vorhersagen können. Dazu verknüpften sie Polysomnographie-Aufzeichnungen mit den langfristigen Gesundheitsergebnissen derselben Personen. Dies war möglich, weil die Forscher Zugang zu jahrzehntelangen medizinischen Aufzeichnungen einer einzigen Schlafklinik hatten.

Das Stanford Sleep Medicine Center wurde 1970 von dem verstorbenen Dr. William Dement, PhD, gegründet, der weithin als Vater der Schlafmedizin gilt. Die größte Gruppe, die zum Trainieren von SleepFM verwendet wurde, umfasste etwa 35.000 Patienten im Alter von 2 bis 96 Jahren. Ihre Schlafstudien wurden zwischen 1999 und 2024 in der Klinik aufgezeichnet und mit elektronischen Gesundheitsakten abgeglichen, die einige Patienten über einen Zeitraum von bis zu 25 Jahren begleiteten. Die Polysomnographie-Aufzeichnungen der Klinik reichen noch weiter zurück, allerdings nur in Papierform, so Mignot, der das Schlafzentrum von 2010 bis 2019 leitete. Anhand dieses kombinierten Datensatzes überprüfte SleepFM mehr als 1.000 Krankheitskategorien und identifizierte 130 Erkrankungen, die allein anhand von Schlafdaten mit angemessener Genauigkeit vorhergesagt werden konnten. Die besten Ergebnisse wurden bei Krebserkrankungen, Schwangerschaftskomplikationen, Kreislauferkrankungen und psychischen Störungen erzielt, mit Vorhersagewerten über einem C-Index von 0,8.

Wie die Vorhersagegenauigkeit gemessen wird

Der C-Index oder Konkordanzindex misst, wie gut ein Modell Personen nach ihrem Risiko einstufen kann. Er gibt an, wie oft das Modell richtig vorhersagt, welche von zwei Personen zuerst ein Gesundheitsereignis erleben wird. „Für alle möglichen Personenpaare gibt das Modell eine Rangfolge an, wer eher früher ein Ereignis – beispielsweise einen Herzinfarkt – erleiden wird. Ein C-Index von 0,8 bedeutet, dass die Vorhersage des Modells in 80 % der Fälle mit dem tatsächlich eingetretenen Ereignis übereinstimmt“, erklärte Zou. SleepFM schnitt besonders gut bei der Vorhersage von Parkinson (C-Index 0,89), Demenz (0,85), hypertensiver Herzkrankheit (0,84), Herzinfarkt (0,81), Prostatakrebs (0,89), Brustkrebs (0,87) und Tod (0,84) ab.

Die Forscher waren positiv überrascht, dass das Modell für eine Vielzahl unterschiedlicher Erkrankungen aussagekräftige Vorhersagen treffen kann. Zou wies auch darauf hin, dass Modelle mit geringerer Genauigkeit, oft mit einem C-Index von etwa 0,7, bereits in der medizinischen Praxis eingesetzt werden, beispielsweise als Hilfsmittel zur Vorhersage, wie Patienten auf bestimmte Krebsbehandlungen ansprechen könnten.

Verstehen, was die KI sieht

Die Forscher arbeiten nun daran, die Vorhersagen von SleepFM zu verbessern und besser zu verstehen, wie das System zu seinen Schlussfolgerungen gelangt. Zukünftige Versionen könnten Daten von tragbaren Geräten einbeziehen, um die Bandbreite der physiologischen Signale zu erweitern. „Es erklärt uns das nicht in Worten“, sagte Zou. „Aber wir haben verschiedene Interpretationstechniken entwickelt, um herauszufinden, was das Modell betrachtet, wenn es eine bestimmte Krankheitsvorhersage trifft.“

Das Team stellte fest, dass zwar herzbezogene Signale einen größeren Einfluss auf die Vorhersage von Herz-Kreislauf-Erkrankungen hatten und gehirnbezogene Signale eine größere Rolle bei der Vorhersage der psychischen Gesundheit spielten, die genauesten Ergebnisse jedoch aus der Kombination aller Arten von Daten erzielt wurden.„Die meisten Informationen, die wir für die Vorhersage von Krankheiten erhielten, ergaben sich aus dem Vergleich der verschiedenen Kanäle“, so Mignot. Körperliche Komponenten, die nicht synchron waren – beispielsweise ein Gehirn, das schläft, aber ein Herz, das wach ist – schienen Probleme anzukündigen. Rahul Thapa, Doktorand im Bereich biomedizinische Datenwissenschaft, und Magnus Ruud Kjaer, Doktorand an der Technischen Universität Dänemark, sind die Co-Autoren der Studie. Forscher der Technischen Universität Dänemark, des Kopenhagener Universitätskrankenhauses Rigshospitalet, von BioSerenity, der Universität Kopenhagen und der Harvard Medical School haben zu dieser Arbeit beigetragen.