Niespokojna noc często prowadzi do zmęczenia następnego dnia, ale może również wskazywać na problemy zdrowotne, które mogą pojawić się dopiero znacznie później. Naukowcy ze Stanford Medicine i ich współpracownicy opracowali system sztucznej inteligencji, który może badać sygnały ciała z jednej nocy snu i oceniać ryzyko wystąpienia u danej osoby ponad 100 różnych chorób. System, nazwany SleepFM, został przeszkolony przy użyciu prawie 600 000 godzin nagrań snu od 65 000 osób. Nagrania te pochodzą z polisomnografii, dogłębnego badania snu, które wykorzystuje wiele czujników do śledzenia aktywności mózgu, czynności serca, wzorców oddychania, ruchów gałek ocznych, ruchów nóg i innych sygnałów fizycznych podczas snu.

Badania snu zawierają niewykorzystane dane zdrowotne

Polisomnografia jest uważana za złoty standard oceny snu i jest zwykle wykonywana w nocy w laboratorium. Chociaż jest często wykorzystywana do diagnozowania zaburzeń snu, naukowcy zdali sobie sprawę, że rejestruje ona również bogactwo informacji fizjologicznych, które nie zostały w pełni przeanalizowane. „Podczas badania snu rejestrujemy zadziwiającą liczbę sygnałów” – powiedział dr Emmanual Mignot, profesor medycyny snu Craiga Reynoldsa i współautor nowego badania opublikowanego w Nature Medicine. „To rodzaj ogólnej fizjologii, którą badamy przez osiem godzin u osoby, która jest pod naszą całkowitą opieką. Dane są bardzo obszerne”.

W rutynowej praktyce klinicznej badana jest tylko niewielka część tych informacji. Dzięki niedawnym postępom w dziedzinie sztucznej inteligencji naukowcy mogą teraz dokładniej analizować te duże i złożone zbiory danych. Według zespołu, praca ta jest pierwszą, w której zastosowano sztuczną inteligencję do danych dotyczących snu na tak dużą skalę. „Z perspektywy sztucznej inteligencji sen jest stosunkowo słabo zbadany. Istnieje wiele innych prac AI, które zajmują się patologią lub kardiologią, ale stosunkowo niewiele, które zajmują się snem, mimo że sen jest tak ważną częścią życia” – powiedział dr James Zou, profesor nadzwyczajny biomedycznej nauki o danych i współautor badania.

Nauczanie AI wzorców snu

Aby uzyskać wgląd w dane, naukowcy opracowali model bazowy, rodzaj sztucznej inteligencji zaprojektowany do uczenia się ogólnych wzorców z bardzo dużych zbiorów danych, a następnie zastosowania tej wiedzy do wielu zadań. Duże modele językowe, takie jak ChatGPT, wykorzystują podobne podejście, ale są trenowane na tekście, a nie na sygnałach biologicznych. SleepFM został wytrenowany na 585 000 godzin danych polisomnograficznych zebranych od pacjentów badanych w klinikach snu. Każda sesja monitorowania snu została podzielona na pięciosekundowe segmenty, które działają podobnie do słów używanych do szkolenia systemów sztucznej inteligencji opartych na języku. SleepFM zasadniczo uczy się języka snu, powiedział Zou.

Model integruje wiele strumieni informacji, w tym sygnały mózgowe, rytmy serca, aktywność mięśni, pomiary pulsu i przepływ powietrza podczas oddychania, i uczy się, w jaki sposób sygnały te oddziałują na siebie nawzajem. Aby pomóc systemowi zrozumieć te relacje, naukowcy opracowali metodę szkolenia o nazwie „Leave-One-Out Contrastive Learning”. W tym podejściu jeden rodzaj sygnału jest usuwany na raz, a model jest proszony o zrekonstruowanie go przy użyciu pozostałych danych. Jedną z innowacji technicznych, które osiągnęli w tej pracy, jest wymyślenie, jak zharmonizować wszystkie te różne modalności danych, aby mogły się połączyć i nauczyć tego samego języka.

Przewidywanie przyszłych chorób na podstawie snu

Po treningu naukowcy dostosowali model do konkretnych zadań. Najpierw przetestowali go w standardowych badaniach snu, takich jak identyfikacja etapów snu i ocena nasilenia bezdechu sennego. W tych testach SleepFM dorównał, a nawet przewyższył wydajność obecnych wiodących modeli. Następnie zespół postawił sobie bardziej ambitny cel: dowiedzieć się, czy dane dotyczące snu mogą przewidywać przyszłe choroby. Aby to zrobić, połączyli nagrania polisomnograficzne z długoterminowymi wynikami zdrowotnymi tych samych osób. Było to możliwe, ponieważ badacze mieli dostęp do dziesięcioleci dokumentacji medycznej z jednej kliniki snu.

Stanford Sleep Medicine Center zostało założone w 1970 roku przez nieżyjącego już dr Williama Dementa, powszechnie uważanego za ojca medycyny snu. Największa grupa wykorzystana do szkolenia SleepFM obejmowała około 35 000 pacjentów w wieku od 2 do 96 lat. Ich badania snu zostały zarejestrowane w klinice w latach 1999-2024 i dopasowane do elektronicznej dokumentacji medycznej, która obserwowała niektórych pacjentów przez okres do 25 lat. Dokumentacja polisomnograficzna kliniki sięga jeszcze dalej wstecz, ale tylko w formie papierowej, według Mignota, który kierował centrum snu w latach 2010-2019. Korzystając z tego połączonego zbioru danych, SleepFM dokonał przeglądu ponad 1000 kategorii chorób i zidentyfikował 130 schorzeń, które można było przewidzieć z rozsądną dokładnością na podstawie samych danych dotyczących snu. Najlepsze wyniki osiągnięto w przypadku raka, powikłań ciąży, chorób układu krążenia i zaburzeń psychicznych, z wartościami predykcyjnymi powyżej indeksu C wynoszącego 0,8.

Jak mierzona jest dokładność przewidywania

Wskaźnik C lub wskaźnik zgodności mierzy, jak dobrze model może uszeregować osoby według ich ryzyka. Wskazuje on, jak często model prawidłowo przewiduje, która z dwóch osób jako pierwsza doświadczy zdarzenia zdrowotnego. „Dla wszystkich możliwych par osób, model klasyfikuje, kto z większym prawdopodobieństwem doświadczy zdarzenia – takiego jak zawał serca – wcześniej. Wskaźnik C na poziomie 0,8 oznacza, że przewidywania modelu pokrywają się z rzeczywistym zdarzeniem w 80% przypadków” – wyjaśnił Zou. SleepFM sprawdził się szczególnie dobrze w przewidywaniu choroby Parkinsona (indeks C 0,89), demencji (0,85), nadciśnieniowej choroby serca (0,84), zawału serca (0,81), raka prostaty (0,89), raka piersi (0,87) i śmierci (0,84).