Το σύστημα εντοπίζει λεπτές ανωμαλίες που μπορεί να προμηνύουν ασθένειες όπως καρκίνος, άνοια και καρδιοπάθειες, χρόνια πριν εμφανιστούν τα συμπτώματα.
Ένα μόνο βράδυ ύπνου μπορεί να αποκαλύψει κρυφά στοιχεία για ασθένειες που μπορεί να εμφανιστούν χρόνια αργότερα. Ερευνητές του Stanford Medicine ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης, το SleepFM, το οποίο μπορεί να προβλέψει τον μελλοντικό κίνδυνο εμφάνισης περισσότερων από 100 σοβαρών ιατρικών καταστάσεων χρησιμοποιώντας δεδομένα από μια και μόνη νύχτα ύπνου. Το σύστημα αναλύει πολύπλοκα φυσιολογικά σήματα από τον εγκέφαλο, την καρδιά και την αναπνοή, εντοπίζοντας λεπτές ανωμαλίες που μπορεί να προμηνύουν ασθένειες όπως καρκίνος, άνοια και καρδιοπάθειες, χρόνια πριν εμφανιστούν τα συμπτώματα.
Η μελέτη του ύπνου μέσω πολυκαναλικής πολυσωματογραφίας, η οποία θεωρείται το «χρυσό πρότυπο» για την αξιολόγηση του ύπνου, παρέχει τεράστιο όγκο φυσιολογικών δεδομένων, αλλά μέχρι τώρα μεγάλο μέρος αυτών περιοριζόταν στη διάγνωση διαταραχών ύπνου. «Καταγράφουμε έναν εντυπωσιακό αριθμό σημάτων όταν μελετάμε τον ύπνο», ανέφερε ο Emmanual Mignot, καθηγητής Ύπνου στο Stanford. «Είναι ένα είδος γενικής φυσιολογίας που μελετάμε για οκτώ ώρες σε έναν ασθενή που βρίσκεται υπό πλήρη παρακολούθηση. Είναι πολύ πλούσιο σε δεδομένα».
Το SleepFM εκπαιδεύτηκε με περίπου 585.000 ώρες πολυσωματογραφίας από 65.000 άτομα, που εξετάστηκαν σε κλινικές ύπνου μεταξύ 1999 και 2024. Τα δεδομένα συνδέθηκαν με δεκαετίες ηλεκτρονικών ιατρικών αρχείων, επιτρέποντας στο σύστημα να μάθει πώς οι φυσιολογικές αλληλεπιδράσεις κατά τη διάρκεια του ύπνου σχετίζονται με μελλοντικές ασθένειες. Οι εγγραφές κάλυπταν ηλικίες από 2 έως 96 ετών και περιλάμβαναν ασθενείς που παρακολουθήθηκαν για έως και 25 χρόνια.
Το AI μαθαίνει τη «γλώσσα του ύπνου» χωρίζοντας τις εγγραφές σε πενταδευτερόλεπτα τμήματα, αναλύοντας σήματα από τον εγκέφαλο, την καρδιά, τους μυς, τον παλμό και την αναπνοή. Χρησιμοποιήθηκε μια καινοτόμος μέθοδος εκπαίδευσης, η leave-one-out contrastive learning, κατά την οποία αφαιρείται ένα είδος σήματος και το μοντέλο καλείται να το ανασυνθέσει χρησιμοποιώντας τα υπόλοιπα. Με αυτόν τον τρόπο, το σύστημα κατανοεί τις σχέσεις μεταξύ διαφορετικών φυσιολογικών σημάτων.
Μετά την εκπαίδευση, το SleepFM αξιολογήθηκε αρχικά σε παραδοσιακές δοκιμές ύπνου, όπως ο προσδιορισμός των σταδίων ύπνου και η εκτίμηση της σοβαρότητας της υπνικής άπνοιας, όπου απέδωσε ισάξια ή καλύτερα από τα καλύτερα διαθέσιμα μοντέλα. Στη συνέχεια, οι ερευνητές συνέδεσαν τα δεδομένα ύπνου με μελλοντικές ασθένειες και διαπίστωσαν ότι 130 συνθήκες μπορούσαν να προβλεφθούν με ικανοποιητική ακρίβεια. Οι καλύτερες προβλέψεις σημειώθηκαν για καρκίνους, καρδιαγγειακές παθήσεις, επιπλοκές εγκυμοσύνης και ψυχικές διαταραχές, με δείκτες συμφωνίας (C-index) πάνω από 0,8. Η C-index μετράει την ικανότητα του μοντέλου να ταξινομεί σωστά τα άτομα ανάλογα με τον κίνδυνο εμφάνισης μιας ασθένειας.
Η ακρίβεια του SleepFM ήταν ιδιαίτερα υψηλή για τη νόσο του Parkinson (C-index 0,89), την άνοια (0,85), την υπερτασική καρδιοπάθεια (0,84), το έμφραγμα (0,81), τον καρκίνο του προστάτη (0,89), τον καρκίνο του μαστού (0,87) και τη θνησιμότητα (0,84). Όπως σημείωσε ο James Zou, ένας από τους συν-επικεφαλής της μελέτης, «μοντέλα με χαμηλότερη ακρίβεια, γύρω στο 0,7, ήδη χρησιμοποιούνται στην ιατρική πρακτική».
Οι ερευνητές εργάζονται πλέον για τη βελτίωση των προβλέψεων και την κατανόηση των μηχανισμών που χρησιμοποιεί το AI για να καταλήξει στα συμπεράσματά του. Οι καρδιακές και εγκεφαλικές λειτουργίες φαίνεται να έχουν τον μεγαλύτερο αντίκτυπο στην πρόβλεψη καρδιοαγγειακών και ψυχικών διαταραχών αντίστοιχα, ενώ η ακριβέστερη πρόβλεψη προκύπτει από το συνδυασμό όλων των σημάτων. Σημαντικά είναι τα «ασυγχρόνιστα» σήματα – όταν, για παράδειγμα, ο εγκέφαλος φαίνεται να κοιμάται ενώ η καρδιά είναι σε κατάσταση εγρήγορσης – που μπορεί να αποτελούν πρώιμο σημάδι κινδύνου για μελλοντικές ασθένειες.
Η έρευνα πραγματοποιήθηκε σε συνεργασία με το Technical University of Denmark, το Copenhagen University Hospital – Rigshospitalet, τη BioSerenity, το University of Copenhagen και το Harvard Medical School, με χρηματοδότηση από το National Institutes of Health, τους Knight-Hennessy Scholars και το Chan-Zuckerberg Biohub.
Η μελέτη δημοσιεύθηκε στο Nature Medicine στις 6 Ιανουαρίου 2026: Rahul Thapa, Magnus Ruud Kjaer, Bryan He, Ian Covert, Hyatt Moore IV, Umaer Hanif, Gauri Ganjoo, M. Brandon Westover, Poul Jennum, Andreas Brink-Kjaer, Emmanuel Mignot, James Zou. A multimodal sleep foundation model for disease prediction. Nature Medicine, 2026; DOI: 10.1038/s41591-025-04133-4
Φωτογραφία άρθρου: AI generated
