Eine unruhige Nacht führt oft zu Müdigkeit am nächsten Tag, kann aber auch auf Gesundheitsprobleme hinweisen, die möglicherweise 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 Krankheiten bewerten kann. Das System namens SleepFM wurde anhand von fast 600.000 Stunden Schlafaufzeichnungen von 65.000 Menschen 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 Fülle von physiologischen Informationen erfasst, die noch nicht vollständig analysiert wurden. „Wir zeichnen eine erstaunliche Anzahl von Signalen auf, wenn wir den Schlaf untersuchen“, sagte Dr. 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 vollständig in unserer Obhut ist. 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 Schlaf beschäftigen, obwohl Schlaf ein so wichtiger Teil des Lebens ist“, sagte James Zou, PhD, Associate Professor für biomedizinische Datenwissenschaft und Co-Seniorautor der Studie.

KI 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, werden jedoch 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 Schlafüberwachungssitzung 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, sie anhand der verbleibenden Daten zu rekonstruieren. Eine der technischen Innovationen, die sie in 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 in Standard-Schlafstudien, beispielsweise zur Identifizierung von Schlafphasen und zur Beurteilung des Schweregrads von Schlafapnoe. In diesen Tests erreichte SleepFM die Leistung der derzeit führenden Modelle oder übertraf diese sogar. Anschließend verfolgte das Team ein ehrgeizigeres Ziel: herauszufinden, 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 bis zu 25 Jahre lang begleiteten. Die Polysomnographie-Aufzeichnungen der Klinik reichen noch weiter zurück, allerdings nur in Papierform, so Mignot, der von 2010 bis 2019 das Schlafzentrum leitete. Anhand dieses kombinierten Datensatzes untersuchte SleepFM mehr als 1.000 Krankheitskategorien und identifizierte 130 Erkrankungen, die allein auf der Grundlage von Schlafdaten mit angemessener Genauigkeit vorhergesagt werden konnten. Die besten Ergebnisse wurden bei Krebs, Schwangerschaftskomplikationen, Kreislauferkrankungen und psychischen Störungen erzielt, mit Vorhersagewerten über einem C-Index von 0,8.