Een onrustige nacht leidt vaak tot vermoeidheid de volgende dag, maar kan ook wijzen op gezondheidsproblemen die pas veel later aan het licht komen. Wetenschappers van Stanford Medicine en hun medewerkers hebben een kunstmatig intelligentiesysteem ontwikkeld dat de lichaamssignalen van één nacht slaap kan onderzoeken en het risico van een persoon op meer dan 100 verschillende ziekten kan beoordelen. Het systeem, SleepFM genaamd, is getraind met behulp van bijna 600.000 uur aan slaapopnames van 65.000 mensen. Deze opnames zijn afkomstig van polysomnografie, een diepgaande slaaptest waarbij meerdere sensoren worden gebruikt om de hersenactiviteit, hartfunctie, ademhalingspatronen, oogbewegingen, beenbewegingen en andere fysieke signalen tijdens de slaap te volgen.

Slaapstudies bevatten onbenutte gezondheidsgegevens

Polysomnografie wordt beschouwd als de gouden standaard voor het beoordelen van slaap en wordt doorgaans ’s nachts in een laboratorium uitgevoerd. Hoewel het vaak wordt gebruikt om slaapstoornissen te diagnosticeren, hebben onderzoekers erkend dat het ook een schat aan fysiologische informatie vastlegt die nog niet volledig is geanalyseerd. “We registreren een verbazingwekkend aantal signalen wanneer we slaap bestuderen”, aldus Dr. Emmanual Mignot, PhD, Craig Reynolds-hoogleraar slaapgeneeskunde en mede-hoofdauteur van de nieuwe studie die is gepubliceerd in Nature Medicine. “Het is een soort algemene fysiologie die we acht uur lang bestuderen bij een persoon die volledig onder onze hoede staat. De gegevens zijn zeer uitgebreid.”

In de dagelijkse klinische praktijk wordt slechts een klein deel van deze informatie onderzocht. Dankzij recente ontwikkelingen op het gebied van kunstmatige intelligentie kunnen onderzoekers deze grote en complexe datasets nu grondiger analyseren. Volgens het team is dit het eerste onderzoek waarbij AI op zo’n grote schaal wordt toegepast op slaapgegevens. “Vanuit AI-perspectief is slaap relatief weinig onderzocht. Er is veel ander AI-werk dat zich bezighoudt met pathologie of cardiologie, maar relatief weinig dat zich bezighoudt met slaap, ook al is slaap zo’n belangrijk onderdeel van het leven”, aldus James Zou, PhD, universitair hoofddocent biomedische datawetenschap en mede-hoofdauteur van de studie.

AI slaap patronen aanleren

Om inzichten uit de gegevens te verkrijgen, ontwikkelden de onderzoekers een basismodel, een type AI dat is ontworpen om algemene patronen te leren uit zeer grote datasets en die kennis vervolgens toe te passen op veel taken. Grote taalmodellen zoals ChatGPT gebruiken een vergelijkbare aanpak, maar ze worden getraind op tekst in plaats van biologische signalen. SleepFM werd getraind op 585.000 uur aan polysomnografiegegevens die werden verzameld bij patiënten die in slaapklinieken werden onderzocht. Elke slaapmonitoringsessie werd opgedeeld in segmenten van vijf seconden, die op dezelfde manier functioneren als woorden die worden gebruikt om op taal gebaseerde AI-systemen te trainen. SleepFM leert in wezen de taal van de slaap, aldus Zou.

Het model integreert meerdere informatiestromen, waaronder hersensignalen, hartritmes, spieractiviteit, polsmetingen en luchtstroom tijdens het ademen, en leert hoe deze signalen met elkaar interageren. Om het systeem te helpen deze relaties te begrijpen, hebben de onderzoekers een trainingsmethode ontwikkeld die “Leave-One-Out Contrastive Learning” wordt genoemd. Bij deze aanpak wordt telkens één type signaal verwijderd en wordt het model gevraagd om het te reconstrueren met behulp van de resterende gegevens. Een van de technische innovaties die ze in dit werk hebben bereikt, is het uitzoeken hoe al deze verschillende gegevensmodaliteiten kunnen worden geharmoniseerd, zodat ze samen kunnen komen en dezelfde taal kunnen leren.

Toekomstige ziekten voorspellen op basis van slaap

Na de training hebben de onderzoekers het model aangepast voor specifieke taken. Eerst hebben ze het getest in standaard slaaponderzoeken, zoals het identificeren van slaapfasen en het beoordelen van de ernst van slaapapneu. In deze tests evenaarde of overtrof SleepFM zelfs de prestaties van de huidige toonaangevende modellen. Vervolgens streefde het team een ambitieuzer doel na: uitzoeken of slaapgegevens toekomstige ziekten kunnen voorspellen. Hiervoor koppelden ze polysomnografische registraties aan de gezondheidsresultaten op lange termijn van dezelfde personen. Dit was mogelijk omdat de onderzoekers toegang hadden tot tientallen jaren aan medische dossiers van één slaapkliniek.

Het Stanford Sleep Medicine Center werd in 1970 opgericht door wijlen Dr. William Dement, PhD, die algemeen wordt beschouwd als de vader van de slaapgeneeskunde. De grootste groep die werd gebruikt om SleepFM te trainen, omvatte ongeveer 35.000 patiënten in de leeftijd van 2 tot 96 jaar. Hun slaaponderzoeken werden tussen 1999 en 2024 in de kliniek geregistreerd en gekoppeld aan elektronische medische dossiers die sommige patiënten tot 25 jaar lang volgden. De polysomnografische gegevens van de kliniek gaan nog verder terug, maar alleen in papieren vorm, aldus Mignot, die van 2010 tot 2019 leiding gaf aan het slaapcentrum. Met behulp van deze gecombineerde dataset heeft SleepFM meer dan 1000 ziektecategorieën onderzocht en 130 aandoeningen geïdentificeerd die met redelijke nauwkeurigheid konden worden voorspeld op basis van alleen slaapgegevens. De beste resultaten werden behaald voor kanker, zwangerschapscomplicaties, hart- en vaatziekten en psychische stoornissen, met voorspellingswaarden boven een C-index van 0,8.