Stanford AI analizuje dane dotyczące snu, aby wykryć wczesne wskaźniki ryzyka choroby, które pojawiają się podczas snu

Naukowcy pracują w Stanford Medicine i współpracujących instytucjach. Ich model SleepFM, oparty na sztucznej inteligencji, przetwarza pełne zapisy polisomnografii (PSG). PSG to kompleksowe, wieloparametrowe badanie snu wykorzystywane do oceny funkcjonowania organizmu pacjenta podczas snu.

Jak sztuczna inteligencja odczytuje język snu

PSG monitoruje fale mózgowe, oddychanie, ruchy gałek ocznych, aktywność mięśni, rytm serca i poziom tlenu we krwi. SleepFM ma na celu wykroczenie poza zaburzenia snu poprzez traktowanie tych sygnałów jako pojedynczego zbioru danych fizjologicznych.

Z pomocą sztucznej inteligencji naukowcy przeanalizowali największy zbiór danych tego rodzaju: 585 000 godzin snu 65 000 osób. SleepFM podzielił nagrania na pięciosekundowe fragmenty, co pomogło modelowi wyodrębnić wzorce podobne do tego, jak duże modele językowe radzą sobie ze słowami i zdaniami.

Trening w wielu systemach ciała

SleepFM jest uważany za przełom ze względu na jego zdolność do łączenia wielu źródeł sygnału. Może jednocześnie przetwarzać aktywność mózgu, ruch mięśni, wzorce oddechowe itp. Śledzenie wielu systemów ciała pozwala SleepFM wykryć, kiedy sygnały fizjologiczne dryfują poza fazą podczas snu.

Naukowcy wytrenowali model pod kątem interakcji różnych części ciała, wykorzystując metodę uczenia kontrastowego typu leave-one-out. Technika ta polega na wyeliminowaniu jednego sygnału i odtworzeniu go na podstawie innych.

Przewidywanie choroby z wieloletnim wyprzedzeniem

Aby sprawdzić, czy sam sen może być wykorzystany do prognozowania przyszłych chorób, zespół połączył dokumentację medyczną z jednej kliniki z danymi dotyczącymi snu. W rezultacie SleepFM przewidział 130 schorzeń, w tym demencję, raka, chorobę Parkinsona i zawał serca. Model osiągnął wynik C-index powyżej 0,8, co oznacza, że trafnie przewidział stan pacjenta więcej niż 8 na 10 razy.

Naukowcy pracują teraz nad ulepszeniem SleepFM i integracją danych z urządzeń do noszenia.