Forskare vid Icahn School of Medicine har utvecklat ett kraftfullt AI-verktyg baserat på samma transformatorarkitektur som används av stora språkmodeller som ChatGPT för att bearbeta en hel natts sömn. Det är en av de största studierna hittills, som analyserar 1 011 192 timmars sömn. Modellen, som kallas Patch-Foundational-Transformer for Sleep (PFTSleep), analyserar hjärnvågor, muskelaktivitet, hjärtfrekvens och andningsmönster för att klassificera sömnstadier mer effektivt än konventionella metoder, optimera sömnanalysen, minska variabiliteten och stödja framtida kliniska verktyg för att upptäcka sömnstörningar och andra hälsorisker. Detaljer om deras resultat har publicerats i onlineutgåvan av tidskriften ”Sleep”.
Potentiella områden där AI kan tillämpas
Artificiell intelligens kan ge ett betydande bidrag till området sömnmedicin. AI inom sömnområdet har potentiella tillämpningar inom tre nyckelområden:
- Kliniska tillämpningar: I den kliniska miljön ger AI-driven teknik omfattande dataanalys, sofistikerad mönsterigenkänning och automatisering av diagnoser samtidigt som man tar itu med kroniska problem som sömnstörda andningsstörningar. Trots en blygsam start kan användningen av AI leda till förbättringar av effektiviteten och patienttillgången, vilket kan bidra till att minska utbrändheten bland vårdpersonalen.
- Hantering avlivsstil: Integrationen av AI ger också tydliga fördelar för livsstilsförvaltning genom användning av sömnteknologi för konsumenter. Dessa enheter finns i en mängd olika former, t.ex. fitness trackers, smartphone-appar och smarta ringar, och bidrar till att förbättra sömnhälsan genom att spåra, utvärdera och förbättra sömnen. Bärbar sömnteknik och datadrivna livsstilsrekommendationer kan göra det möjligt för patienter att ta en aktiv roll i hanteringen av sin hälsa, vilket framgår av en nyligen genomförd AASM-undersökning där 68% av de vuxna som har använt en sömnmätare rapporterade att de ändrat beteende baserat på de insikter de fått. I takt med att dessa AI-drivna applikationer blir allt mer intuitiva är det dock viktigt med en kontinuerlig dialog mellan patienter och läkare om potentialen och begränsningarna med dessa innovationer.
- Befolkningens hälsa: Utöver den individuella vården öppnar AI-tekniken upp för ett nytt sätt att se på folkhälsan när det gäller sömn. AI har en spännande potential att syntetisera miljö-, beteende- och fysiologiska data, vilket bidrar till välinformerade insatser på befolkningsnivå och till att åtgärda befintliga brister inom hälso- och sjukvården.
Ny teknik optimerar sömnmätning och stödjer framtida kliniska verktyg för att upptäcka sömnstörningar och andra hälsorisker
Nuvarande sömnbedömningar bygger ofta på mänskliga experter som manuellt utvärderar korta segment av sömndata, eller på AI-modeller som inte kan analysera en hel patients natt. Den här nya metoden, som utvecklats baserat på tusentals sömnregistreringar, ger en mer heltäckande bild. Modellen är tränad på sömndata i full längd och kan upptäcka sömnmönster under hela natten och i olika populationer och miljöer, vilket ger en standardiserad och skalbar metod för sömnforskning och klinisk användning, säger forskarna. ”Det här är ett steg framåt för AI-driven sömnbedömning och tolkning”, säger Benjamin Fox, doktorand vid Icahn School of Medicine at Mount Sinai inom utbildningsprogrammet för artificiell intelligens och ny teknik. Genom att använda AI på detta sätt kan man direkt härleda relevanta kliniska egenskaper från signaldata från sömnstudier för användning vid sömnbedömning och i framtiden även andra kliniska tillämpningar, t.ex. detektering av sömnapné eller bedömning av hälsorisker relaterade till sömnkvalitet.
Modellen tränades på ett stort dataset av sömnstudier (polysomnogram), som mäter viktiga fysiologiska signaler, inklusive hjärnaktivitet, muskeltonus, hjärtfrekvens och andningsmönster. Till skillnad från konventionella AI-modeller som bara analyserar korta 30-sekunderssegment, tar den nya modellen hänsyn till hela sömnnnatten och fångar upp mer detaljerade och nyanserade mönster. Dessutom tränas modellen genom en metod som kallas self-supervision, som hjälper till att lära sig relevanta kliniska egenskaper från fysiologiska signaler utan behov av mänsklig märkning av resultaten. ”Våra resultat tyder på att AI kan förändra vårt sätt att undersöka och förstå sömn”, säger Ankit Parekh, PhD, biträdande professor i medicin (lung-, intensivvårds- och sömnmedicin) vid Icahn School of Medicine på Mount Sinai och chef för Sleep and Circadian Analysis Group på Mount Sinai. ”
Forskarnas nästa mål är att förfina tekniken för kliniska tillämpningar, till exempel för att mer effektivt identifiera sömnrelaterade hälsorisker. Forskarna understryker att även om detta AI-verktyg är lovande kan det inte ersätta klinisk expertis. Istället är det utformat för att fungera som ett kraftfullt hjälpmedel för sömnspecialister och för att hjälpa till att påskynda och standardisera sömnanalysen. I ett nästa steg planerar teamet att inrikta sin forskning på att utöka kapaciteten från klassificering av sömnstadier till upptäckt av sömnstörningar och förutsägelse av hälsoutfall.
