Stanford AI analyserar sömndata för att upptäcka tidiga riskindikatorer för sjukdomar som uppträder medan du sover

Forskarna är baserade vid Stanford Medicine och samarbetande institutioner. Deras SleepFM-modell, som är baserad på AI, bearbetar fullständiga polysomnografi-inspelningar (PSG). PSG är en omfattande sömnstudie med flera parametrar som används för att utvärdera hur en persons kropp fungerar under sömnen.

Hur AI läser sömnens språk

PSG övervakar hjärnvågor, andning, ögonrörelser, muskelaktivitet, hjärtrytm och syrenivåer i blodet. SleepFM syftar till att gå längre än bara sömnstörningar genom att behandla dessa signaler som en enda fysiologisk dataset.

Med hjälp av AI analyserade forskarna det största datasetet i sitt slag: 585.000 timmars sömn från 65.000 personer. SleepFM delade upp inspelningarna i femsekundersbitar, vilket hjälpte modellen att plocka ut mönster på liknande sätt som stora språkmodeller hanterar ord och meningar.

Träning i flera olika kroppssystem

SleepFM anses vara ett genombrott för sin förmåga att kombinera flera olika signalkällor. Den kan samtidigt bearbeta hjärnaktivitet, muskelrörelser, andningsmönster etc. Genom att spåra flera kroppssystem kan SleepFM upptäcka när fysiologiska signaler går ur fas under sömnen.

Forskarna tränade modellen på hur olika kroppsdelar interagerar med hjälp av den kontrasterande inlärningsmetoden leave-one-out. Tekniken fungerar genom att eliminera en signal och bygga upp den på nytt utifrån de andra.

Förutse sjukdom flera år i förväg

För att testa om enbart sömn kunde användas för att förutse framtida sjukdomar sammanförde teamet journaler från en enda klinik med sömndata. Resultatet blev att SleepFM kunde förutse 130 sjukdomar, bland annat demens, cancer, Parkinsons sjukdom och hjärtinfarkt. Modellen uppnådde ett C-index på över 0,8, vilket innebär att den korrekt förutsåg patientens tillstånd mer än 8 av 10 gånger.

Forskarna arbetar nu med att förbättra SleepFM och integrera data från bärbara enheter.