Een onrustige nacht leidt vaak tot vermoeidheid de volgende dag, maar het kan ook wijzen op gezondheidsproblemen die zich pas veel later voordoen. Wetenschappers van Stanford Medicine en hun medewerkers hebben een kunstmatig intelligentiesysteem ontwikkeld dat de lichaamssignalen van één enkele slaapnacht kan onderzoeken en het risico van een persoon op meer dan 100 verschillende ziekten kan inschatten. Het systeem, SleepFM genaamd, werd 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 hersenactiviteit, hartfunctie, ademhalingspatronen, oogbewegingen, beenbewegingen en andere fysieke signalen tijdens de slaap te volgen.

Slaaponderzoeken bevatten onbenutte gezondheidsgegevens

Polysomnografie wordt beschouwd als de gouden standaard voor het beoordelen van slaap en wordt meestal ’s nachts uitgevoerd in een laboratorium. 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. “Emmanual Mignot, PhD, Craig Reynolds Professor in Slaapgeneeskunde en co-senior auteur van het nieuwe onderzoek dat gepubliceerd is in Nature Medicine. “Het is een soort algemene fysiologie die we acht uur lang bestuderen bij een persoon die volledig onder onze zorg valt. De gegevens zijn zeer uitgebreid.”

In de routinematige klinische praktijk wordt slechts een klein deel van deze informatie onderzocht. Dankzij recente vooruitgang in kunstmatige intelligentie kunnen onderzoekers deze grote en complexe datasets nu grondiger analyseren. Volgens het team is dit het eerste werk waarbij AI op zo’n grote schaal wordt toegepast op slaapgegevens. “Vanuit een AI-perspectief is slaap relatief onderbestudeerd. 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 datawetenschappen en co-senior auteur van het onderzoek.

AI slaappatronen aanleren

Om inzicht te krijgen in de gegevens ontwikkelden de onderzoekers een basismodel, een type AI dat is ontworpen om algemene patronen te leren van zeer grote datasets en die kennis vervolgens toe te passen op vele 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 polysomnografiegegevens van patiënten die in slaapklinieken werden onderzocht. Elke slaapmonitoring sessie werd opgedeeld in segmenten van vijf seconden, die vergelijkbaar zijn met woorden die gebruikt worden om taalgebaseerde AI-systemen te trainen. SleepFM leert in wezen de taal van de slaap, aldus Zou.

Het model integreert meerdere informatiestromen, waaronder hersensignalen, hartritmes, spieractiviteit, hartslagmetingen en luchtstroom tijdens de ademhaling, en leert hoe deze signalen op elkaar inwerken. Om het systeem te helpen deze relaties te begrijpen, ontwikkelden de onderzoekers een trainingsmethode met de naam “Leave-One-Out Contrastive Learning”. Bij deze aanpak wordt één signaaltype per keer verwijderd en wordt het model gevraagd om het te reconstrueren met behulp van de overgebleven gegevens. Een van de technische innovaties die ze in dit werk hebben bereikt, is het uitzoeken hoe ze al deze verschillende gegevensmodaliteiten kunnen harmoniseren, zodat ze samen kunnen komen en dezelfde taal kunnen leren.

Toekomstige ziekten voorspellen op basis van slaap

Na de training pasten de onderzoekers het model aan voor specifieke taken. Eerst testten ze het in standaard slaaponderzoeken, zoals het identificeren van slaapstadia en het beoordelen van de ernst van slaapapneu. In deze tests evenaarde of overtrof SleepFM zelfs de prestaties van de huidige toonaangevende modellen. Het team streefde vervolgens een ambitieuzer doel na: uitzoeken of slaapgegevens toekomstige ziekten kunnen voorspellen. Om dit te doen, koppelden ze polysomnografie-opnames aan de gezondheidsresultaten op de lange termijn van dezelfde personen. Dit was mogelijk omdat de onderzoekers toegang hadden tot tientallen jaren aan medische gegevens van één enkele 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 bestond uit ongeveer 35.000 patiënten in de leeftijd van 2 tot 96 jaar. Hun slaaponderzoeken werden tussen 1999 en 2024 in de kliniek geregistreerd en gematcht met elektronische patiëntendossiers die sommige patiënten tot 25 jaar volgden. De polysomnografiedossiers van de kliniek gaan zelfs nog verder terug, maar alleen op papier, volgens Mignot, die van 2010 tot 2019 aan het hoofd stond van het slaapcentrum. Met behulp van deze gecombineerde dataset beoordeelde SleepFM meer dan 1000 ziektecategorieën en identificeerde 130 aandoeningen die met redelijke nauwkeurigheid voorspeld konden worden op basis van alleen de slaapgegevens. De beste resultaten werden behaald voor kanker, zwangerschapscomplicaties, aandoeningen van de bloedsomloop en psychische aandoeningen, met voorspellingswaarden boven een C-index van 0,8.

Hoe de voorspellingsnauwkeurigheid wordt gemeten

De C-index, of concordantie-index, meet hoe goed een model individuen kan rangschikken op basis van hun risico. Het geeft aan hoe vaak het model correct voorspelt welke van twee individuen als eerste een gezondheidsgebeurtenis zal meemaken. “Voor alle mogelijke paren van individuen rangschikt het model wie meer kans heeft om een gebeurtenis – zoals een hartaanval – eerderte ervaren. Een C-index van 0,8 betekent dat de voorspelling van het model in 80% van de gevallen overeenkomt met de werkelijke gebeurtenis,” legt Zou uit. SleepFM presteerde vooral goed bij het voorspellen van de ziekte van Parkinson (C-index 0,89), dementie (0,85), hypertensieve hartziekte (0,84), hartaanval (0,81), prostaatkanker (0,89), borstkanker (0,87) en overlijden (0,84).