medCLOUD › Aktualności

Model AI przewiduje ryzyko chorób na podstawie jednej nocy snu

Badania pokazują, że dane z jednej nocy snu mogą przewidzieć ryzyko ponad 130 chorób, w tym chorób neurologicznych i sercowo-naczyniowych.

Nieprzespana noc często wydaje się jedynie chwilowym problemem, ale może być wczesnym sygnałem zdrowotnym, który ujawnia się dopiero po latach. Naukowcy z Stanford Medicine, we współpracy z międzynarodowymi partnerami, opracowali nowy model sztucznej inteligencji, SleepFM, który potrafi przewidzieć ryzyko rozwoju ponad stu schorzeń na podstawie danych fizjologicznych z jednej nocy snu.

Model SleepFM został wytrenowany na niemal 600 000 godzin danych polisomnograficznych od około 65 000 uczestników. Polisomnografia to złoty standard w badaniach snu, rejestrujący szereg sygnałów fizjologicznych w ciągu nocy, w tym aktywność mózgu, serca, wzorce oddychania, aktywność mięśni oraz ruchy oczu.

„Rejestrujemy ogromną ilość sygnałów podczas snu. To osiem godzin ogólnej fizjologii osoby, która jest w pełni monitorowana. To sprawia, że jest to niezwykle intensywne pod względem danych” – powiedział Emmanuel Mignot, profesor medycyny snu na Stanfordzie i współautor badania opublikowanego w Nature Medicine.

Składniki danych

Do tej pory tylko ograniczona część tych informacji była wykorzystywana w praktyce klinicznej i badaniach. Dzięki zaawansowanym technikom AI możliwe jest teraz wydobycie znacznie większej spójności i znaczenia z tych złożonych zbiorów danych. SleepFM zaprojektowano jako model bazowy, który uczy się na dużych zbiorach danych i może następnie stosować tę wiedzę do różnych zadań.

Podczas gdy duże modele językowe są trenowane na tekstach, SleepFM jest trenowany na danych dotyczących snu. Pomiar nocny dzieli się na pięciosekundowe interwały, podobnie jak słowa w modelu językowym. „SleepFM uczy się w zasadzie języka snu” – mówi współautor James Zou, profesor nauk o danych biomedycznych.

Wielokrotne strumienie danych

Ważną innowacją techniczną w projekcie jest to, że model potrafi jednocześnie łączyć i interpretować wiele strumieni danych. Aby to umożliwić, naukowcy opracowali nową metodę treningu, w której jeden typ sygnału jest tymczasowo „ukrywany”, a model jest wyzwany do rekonstrukcji tego brakującego komponentu na podstawie innych sygnałów. W ten sposób system uczy się, jak aktywność mózgu, tętno, oddychanie i aktywność mięśni są ze sobą powiązane oraz gdzie występują nieprawidłowości.

Po fazie treningowej SleepFM został najpierw zweryfikowany w istniejących zastosowaniach klinicznych, takich jak automatyczne rozpoznawanie faz snu i określanie nasilenia bezdechu sennego. Model osiągnął wyniki co najmniej na poziomie aktualnych najnowocześniejszych algorytmów w tych zadaniach, co potwierdziło, że model może odpowiednio analizować sen zgodnie z istniejącymi standardami klinicznymi.

Przewidywanie chorób podczas snu

Naukowcy zwrócili następnie uwagę na bardziej ambitny cel: przewidywanie przyszłych chorób na podstawie danych o śnie. W tym celu połączyli dane polisomnograficzne z długoterminowymi danymi zdrowotnymi tych samych pacjentów. Centrum Medycyny Snu Stanforda, które prowadzi systematyczne badania snu od 1970 roku, odegrało unikalną rolę w tym procesie. Dla dużej kohorty pacjentów, składającej się z około 35 000 osób w wieku od 2 do 96 lat, dostępne były zarówno pomiary snu, jak i elektroniczne rekordy pacjentów, z nawet 25-letnim okresem obserwacji w niektórych przypadkach.

SleepFM przeanalizował ponad tysiąc kategorii chorób i zidentyfikował 130 schorzeń, dla których ryzyko można przewidzieć z rozsądna do wysoką dokładnością na podstawie danych o śnie. Przewidywania były szczególnie silne dla zaburzeń neurologicznych, takich jak choroba Parkinsona i demencja, chorób sercowo-naczyniowych, różnych rodzajów nowotworów oraz śmiertelności. Wydajność wyrażono w tzw. indeksie zgodności, powszechnie stosowanej miarze dla modeli predykcyjnych. Wartości powyżej 0,8, osiągnięte dla kilku schorzeń, są uważane za bardzo wysokie w badaniach klinicznych.

Decydująca kombinacja sygnałów

Interesujące jest to, że żaden pojedynczy sygnał fizjologiczny nie okazał się decydujący, lecz raczej kombinacja różnych sygnałów. Chociaż aktywność mózgu miała większe znaczenie w przewidywaniu zaburzeń neurologicznych, a sygnały serca w chorobach sercowo-naczyniowych, połączenie wszystkich modalności danych przyniosło najdokładniejsze wyniki.

Według Mignota to głównie subtelne zakłócenia w interakcjach wskazują na zwiększone ryzyko, na przykład, gdy mózg pokazuje sygnały związane ze snem, podczas gdy serce wykazuje oznaki czujności.

Naukowcy pracują teraz nad dalszymi krokami, aby jeszcze bardziej poprawić model i lepiej wyjaśnić, jak dokonywane są przewidywania. Chociaż SleepFM nie potrafi wyjaśnić swoich wniosków w zrozumiały sposób, opracowywane są techniki interpretacyjne, aby uzyskać wgląd w to, jakie wzorce model rozpoznaje dla konkretnych ryzyk chorobowych. Rozważają także rozszerzenie modelu o dane z urządzeń noszonych, aby pomiary snu poza laboratorium snu mogły być wykorzystane.

SleepFM podkreśla potencjał snu jako okna na przyszłe zdrowie. Łączenie danych o śnie z AI tworzy nową perspektywę na wczesne wykrywanie ryzyk, nawet zanim pojawią się objawy kliniczne. Badania te są częścią szerszego ruchu w ramach cyfrowej opieki zdrowotnej, w którym ciągłe monitorowanie, integracja danych i modele predykcyjne stają się coraz bardziej centralne w przejściu od reaktywnej do proaktywnej i spersonalizowanej opieki.

SleepFM wyróżnia się na tle innych rozwiązań, zarówno zasilanych AI, jak i nie, w zakresie pomiaru i analizy danych snu. Do tej pory głównie widzieliśmy aplikacje i inne narzędzia, które określają jakość naszego snu na podstawie danych zbieranych przez, na przykład, smartwatche.

Jednym z rozwoju, które zbliża się do SleepFM, jest badanie opisane w zeszłym miesiącu dotyczące śledzenia wzorców snu za pomocą dyskretnych urządzeń noszonych w celu wcześniejszego wykrywania rzadkich zaburzeń snu.

Źródło: https://www.icthealth.org/news/ai-model-predicts-disease-risks-based-on-one-nights-sleep

Źródło: www.icthealth.org

Cyberbezpieczeństwo w medycynie – monitoring SOC · Pakiety ochrony od 990 zł · Bezpłatna konsultacja