ИИ от Stanford обнаруживает скрытые предупреждения о болезнях, которые проявляются во время сна
Искусственный интеллект SleepFM анализирует данные полисомнографии за одну ночь и предсказывает риск развития более 100 заболеваний, от рака до деменции, с высокой точностью
Short Summary
Исследователи из Стэнфордской школы медицины разработали систему искусственного интеллекта SleepFM, способную оценить риск развития более 100 различных заболеваний на основе данных всего одной ночи сна. Модель была обучена на 585 000 часов записей полисомнографии от 65 000 пациентов, интегрируя сигналы мозга, сердца, дыхания и мышечной активности. ИИ показал высокую точность прогнозирования таких состояний, как болезнь Паркинсона (C-индекс 0,89), деменция (0,85), инфаркт (0,81) и различные виды рака.
SleepFM использует подход foundation model, аналогичный большим языковым моделям, но обучаясь на «языке» физиологических сигналов. Ключевым техническим достижением стал метод контрастного обучения с исключением одного сигнала, который позволил гармонизировать разнородные данные. Наиболее точные прогнозы система делала при анализе рассогласованности сигналов от разных систем организма, например, когда мозг выглядит спящим, а сердце — бодрствующим.
Это исследование открывает новое направление в профилактической медицине, превращая рутинное исследование сна в мощный инструмент ранней диагностики. В будущем подобные модели могут быть адаптированы для работы с данными носимых устройств. Ученые продолжают работу над улучшением интерпретируемости модели, чтобы понять, какие именно паттерны она использует для прогнозов.
Прогнозирование более 100 заболеваний
SleepFM может предсказывать риск развития 130 различных медицинских состояний, включая рак, деменцию, сердечно-сосудистые и психические расстройства, с высокой точностью (C-индекс >0,8 для многих из них)
Обучение на огромном массиве данных
Модель была обучена на 585 000 часов полисомнографических записей от 65 000 пациентов Стэнфордского центра медицины сна, чьи медицинские карты отслеживались до 25 лет
Важность рассогласованности сигналов
Наиболее информативными для прогноза оказались не отдельные сигналы, а их контраст и рассогласованность (например, между активностью мозга и сердца), что может указывать на скрытые патологии
Новый взгляд на диагностику сна
Исследование демонстрирует, что данные сна, которые ранее использовались в основном для диагностики апноэ и нарушений сна, содержат глубокую, неиспользованную информацию об общем состоянии здоровья и будущих рисках
Text generated using AI
