En urolig nat fører ofte til træthed den næste dag, men det kan også være tegn på helbredsproblemer, der måske først opstår meget senere. Forskere ved Stanford Medicine og deres samarbejdspartnere har udviklet et kunstigt intelligenssystem, der kan undersøge kroppens signaler fra en enkelt nats søvn og vurdere en persons risiko for mere end 100 forskellige sygdomme. Systemet, der kaldes SleepFM, er blevet trænet ved hjælp af næsten 600.000 timers søvnoptagelser fra 65.000 mennesker. Disse optagelser stammer fra polysomnografi, en dybdegående søvntest, der bruger flere sensorer til at spore hjerneaktivitet, hjertefunktion, vejrtrækningsmønstre, øjenbevægelser, benbevægelser og andre fysiske signaler under søvn.

Søvnundersøgelser indeholder uudnyttede sundhedsdata

Polysomnografi betragtes som den gyldne standard for vurdering af søvn og udføres typisk om natten i et laboratorium. Selvom det ofte bruges til at diagnosticere søvnforstyrrelser, har forskere erkendt, at det også indsamler en masse fysiologiske oplysninger, der ikke er blevet fuldt analyseret. “Vi registrerer et forbløffende antal signaler, når vi studerer søvn,” siger Dr. Emmanual Mignot, PhD, Craig Reynolds Professor i søvnmedicin og medforfatter til den nye undersøgelse, der er offentliggjort i Nature Medicine. “Det er en slags generel fysiologi, som vi studerer i otte timer hos en person, der er helt i vores varetægt. Dataene er meget omfattende.”

I den rutinemæssige kliniske praksis undersøges kun en lille del af disse oplysninger. Takket være de seneste fremskridt inden for kunstig intelligens kan forskere nu analysere disse store og komplekse datasæt mere grundigt. Ifølge teamet er dette arbejde det første, der anvender AI på søvndata i så stor skala. “Fra et AI-perspektiv er søvn relativt underudforsket. Der er mange andre AI-projekter, der beskæftiger sig med patologi eller kardiologi, men relativt få, der beskæftiger sig med søvn, selvom søvn er en så vigtig del af livet,” siger James Zou, ph.d., lektor i biomedicinsk datavidenskab og medforfatter til undersøgelsen.

Undervisning af AI i søvnmønstre

For at få indsigt i dataene udviklede forskerne en basismodel, en type AI, der er designet til at lære generelle mønstre fra meget store datasæt og derefter anvende den viden på mange opgaver. Store sprogmodeller som ChatGPT bruger en lignende tilgang, men de er trænet på tekst snarere end biologiske signaler. SleepFM blev trænet på 585.000 timers polysomnografidata indsamlet fra patienter, der blev undersøgt på søvnklinikker. Hver søvnovervågningssession blev opdelt i segmenter på fem sekunder, som fungerer på samme måde som ord, der bruges til at træne sprogbaserede AI-systemer. SleepFM lærer i det væsentlige søvnens sprog, sagde Zou.

Modellen integrerer flere informationsstrømme, herunder hjernesignaler, hjerterytmer, muskelaktivitet, pulsmålinger og luftstrøm under vejrtrækning, og lærer, hvordan disse signaler interagerer med hinanden. For at hjælpe systemet med at forstå disse sammenhænge udviklede forskerne en træningsmetode kaldet “Leave-One-Out Contrastive Learning”. I denne tilgang fjernes én type signal ad gangen, og modellen bliver bedt om at rekonstruere det ved hjælp af de resterende data. En af de tekniske innovationer, de opnåede i dette arbejde, er at finde ud af, hvordan man kan harmonisere alle disse forskellige datamodaliteter, så de kan samles og lære det samme sprog.

Forudsigelse af fremtidige sygdomme baseret på søvn

Efter træningen tilpassede forskerne modellen til specifikke opgaver. Først testede de den i standard søvnundersøgelser, såsom identifikation af søvnstadier og vurdering af sværhedsgraden af søvnapnø. I disse tests matchede eller overgik SleepFM de førende modeller på markedet. Derefter satte teamet sig et mere ambitiøst mål: at finde ud af, om søvndata kan forudsige fremtidige sygdomme. For at gøre dette koblede de polysomnografi-optagelser med de samme personers langsigtede sundhedsresultater. Dette var muligt, fordi forskerne havde adgang til årtier af medicinske journaler fra en enkelt søvnklinik.

Stanford Sleep Medicine Center blev grundlagt i 1970 af den afdøde Dr. William Dement, PhD, der af mange betragtes som faderen til søvnmedicin. Den største gruppe, der blev brugt til at træne SleepFM, omfattede omkring 35.000 patienter i alderen 2 til 96 år. Deres søvnundersøgelser blev registreret på klinikken mellem 1999 og 2024 og matchet med elektroniske sundhedsjournaler, der fulgte nogle patienter i op til 25 år. Klinikkens polysomnografi-registreringer går endnu længere tilbage, men kun i papirform, ifølge Mignot, der var leder af søvncentret fra 2010 til 2019. Ved hjælp af dette kombinerede datasæt gennemgik SleepFM mere end 1.000 sygdomskategorier og identificerede 130 tilstande, der kunne forudsiges med rimelig nøjagtighed alene på baggrund af søvndata. De bedste resultater blev opnået for kræft, graviditetskomplikationer, kredsløbssygdomme og psykiske lidelser med forudsigelsesværdier over et C-indeks på 0,8.