En orolig natt leder ofta till trötthet dagen efter, men det kan också vara ett tecken på hälsoproblem som kanske inte uppstår förrän långt senare. Forskare vid Stanford Medicine och deras samarbetspartners har utvecklat ett artificiellt intelligenssystem som kan undersöka kroppssignalerna från en enda natts sömn och bedöma en persons risk för mer än 100 olika sjukdomar. Systemet, som kallas SleepFM, har tränats med hjälp av nästan 600 000 timmars sömnregistreringar från 65 000 personer. Dessa registreringar kommer från polysomnografi, en djupgående sömntest som använder flera sensorer för att spåra hjärnaktivitet, hjärtfunktion, andningsmönster, ögonrörelser, benrörelser och andra fysiska signaler under sömnen.

Sömnstudier innehåller outnyttjade hälsodata

Polysomnografi anses vara guldstandarden för att bedöma sömn och utförs vanligtvis över natten i ett laboratorium. Även om det ofta används för att diagnostisera sömnstörningar, har forskare insett att det också fångar upp en mängd fysiologisk information som inte har analyserats fullt ut. ”Vi registrerar en häpnadsväckande mängd signaler när vi studerar sömn”, säger Dr. Emmanual Mignot, PhD, Craig Reynolds-professor i sömnmedicin och medförfattare till den nya studien som publicerats i Nature Medicine. ”Det är en slags allmän fysiologi som vi studerar under åtta timmar hos en person som är helt i vår vård. Data är mycket omfattande.”

I den rutinmässiga kliniska praktiken undersöks endast en liten del av denna information. Tack vare de senaste framstegen inom artificiell intelligens kan forskare nu analysera dessa stora och komplexa datamängder mer grundligt. Enligt teamet är detta arbete det första som tillämpar AI på sömndata i så stor skala. ”Ur ett AI-perspektiv är sömn relativt understuderat. Det finns mycket annat AI-arbete som handlar om patologi eller kardiologi, men relativt lite som handlar om sömn, trots att sömn är en så viktig del av livet”, säger James Zou, PhD, docent i biomedicinsk datavetenskap och medförfattare till studien.

Lära AI sömnmönster

För att få insikter från data utvecklade forskarna en basmodell, en typ av AI som är utformad för att lära sig allmänna mönster från mycket stora datamängder och sedan tillämpa den kunskapen på många uppgifter. Stora språkmodeller som ChatGPT använder en liknande metod, men de tränas på text snarare än biologiska signaler. SleepFM tränades på 585 000 timmar av polysomnografidata som samlats in från patienter som undersökts på sömnskliniker. Varje sömnövervakningssession delades in i fem sekunders segment, som fungerar på samma sätt som ord som används för att träna språkbaserade AI-system. SleepFM lär sig i huvudsak sömnens språk, säger Zou.

Modellen integrerar flera informationsströmmar, inklusive hjärnsignaler, hjärtrytmer, muskelaktivitet, pulsmätningar och luftflöde under andningen, och lär sig hur dessa signaler interagerar med varandra. För att hjälpa systemet att förstå dessa relationer utvecklade forskarna en träningsmetod som kallas ”Leave-One-Out Contrastive Learning”. I denna metod tas en typ av signal bort åt gången och modellen ombeds att rekonstruera den med hjälp av de återstående data. En av de tekniska innovationer som de uppnådde i detta arbete är att ta reda på hur man kan harmonisera alla dessa olika datamodaliteter så att de kan samlas och lära sig samma språk.

Förutsäga framtida sjukdomar baserat på sömn

Efter träningen anpassade forskarna modellen för specifika uppgifter. Först testade de den i standardiserade sömnstudier, till exempel för att identifiera sömnstadier och bedöma svårighetsgraden av sömnapné. I dessa tester matchade eller överträffade SleepFM prestandan hos de nuvarande ledande modellerna. Teamet satte sedan upp ett mer ambitiöst mål: att ta reda på om sömndata kan förutsäga framtida sjukdomar. För att göra detta kopplade de polysomnografiska registreringar till samma individers långsiktiga hälsoresultat. Detta var möjligt eftersom forskarna hade tillgång till årtionden av medicinska journaler från en enda sömnklinik.

Stanford Sleep Medicine Center grundades 1970 av den avlidne Dr. William Dement, PhD, som allmänt anses vara sömnmedicinens fader. Den största gruppen som användes för att träna SleepFM omfattade cirka 35 000 patienter i åldrarna 2 till 96 år. Deras sömnstudier registrerades på kliniken mellan 1999 och 2024 och matchades med elektroniska journaler som följde vissa patienter i upp till 25 år. Klinikens polysomnografiska register går ännu längre tillbaka, men endast i pappersform, enligt Mignot, som var chef för sömncetret från 2010 till 2019. Med hjälp av denna kombinerade dataset granskade SleepFM mer än 1 000 sjukdomskategorier och identifierade 130 tillstånd som kunde förutsägas med rimlig noggrannhet baserat enbart på sömndata. De bästa resultaten uppnåddes för cancer, graviditetskomplikationer, cirkulationssjukdomar och psykiska störningar, med prediktionsvärden över ett C-index på 0,8.