Spis treści:
- Polisomnografia stała się jeszcze cenniejsza dzięki AI
- Idź spać, a sztuczna inteligencja zajmie się diagnozą
Polisomnografia stała się jeszcze cenniejsza dzięki AI
Żyjemy już w czasach, w których sztuczna inteligencja diagnozuje choroby szybciej, taniej i precyzyjniej niż doświadczeni ludzcy lekarze. O takiej "medycznej superinteligencji" opracowanej przez Microsoft pisaliśmy w lipcu. Tymczasem pojawiło się kolejne narzędzie diagnostyczne oparte na AI. Jest to model SleepFM, który stworzyli naukowcy ze Stanford University i kilku innych prestiżowych ośrodków. Potrafi on wykrywać ryzyko 130 chorób z niezwykłą skutecznością. Model ten został szczegółowo zaprezentowany na łamach wpływowego "Nature Medicine".
Jak wyjaśniają autorzy tego przełomowego rozwiązania, "sen jest fundamentalnym procesem biologicznym z szerokimi implikacjami dla zdrowia fizycznego i psychicznego, jednak jego złożona relacja z chorobami jest słabo poznana. Polisomnografia (PSG) - złoty standard dla analizy snu - rejestruje bogate sygnały fizjologiczne, ale jest nie w pełni wykorzystana z powodu wyzwań w standaryzacji, możliwości generalizowania i integracji multimodalnej". Aby przezwyciężyć te trudności, naukowcy opracowali multimodalny (obsługujący dane różnego typu) model SleepFM.
Ów model sztucznej inteligencji został wytrenowany na zestawach danych z ponad 585 tys. godzin nagrań PSG od ok. 65 tys. uczestników z wielu różnych kohort. Te nowe dane przemielone przez sztuczną inteligencję umożliwiły modelowi wyjątkowo trafne diagnozowanie szeregu przypadłości, gdy bada on sen kolejnych pacjentów.
Idź spać, a sztuczna inteligencja zajmie się diagnozą
SleepFM analizuje kluczowe parametry fizjologiczne z polisomnografii, takie jak fale mózgowe (BAS), przepływ powietrza, chrapanie, poziom tlenu we krwi, pracę serca (EKG) i ruchy nóg (EMG). Dzięki treningowi na ogromnych i dość zróżnicowanych zestawach danych sztuczna inteligencja jest w stanie znajdować prawidłowości między tymi parametrami a ryzykiem chorób.
Osiąga ona wysoką trafność (C-Index na poziomie 0,75 lub większym, gdzie 1 oznacza idealną zdolność) w prognozowaniu 130 schorzeń i przypadłości, takich jak zgon z dowolnej przyczyny (C-Index = 0,84), demencja, otwiera się w nowym oknie (0,85), zawał mięśnia sercowego (0,81), niewydolność serca (0,80), przewlekła choroba nerek (0,79), udar mózgu, otwiera się w nowym oknie (0,78) czy migotanie przedsionków (0,78).
Autorzy modelu zauważyli też, że radzi on sobie świetnie z uczeniem się na podstawie zestawu danych Sleep Heart Health Study (który nie został użyty do treningu) oraz że działa z porównywalną skutecznością, jak modele wyspecjalizowane w badaniach etapów snu na podstawie danych polisomnograficznych, takich jak U-Sleep i YASA. SleepFM został wydany na licencji Open Source, a jego kod źródłowy jest dostępny w serwisie GitHub, otwiera się w nowym oknie.
"Ta praca pokazuje, że modele bazowe potrafią nauczyć się języka snu z multimodalnych rejestrów snu, umożliwiając skalowalną, wydajną pod względem etykietowania analizę i przewidywanie chorób" - dodają autorzy.
Warto przy tym podkreślić, że choć naukowcy testują takie nowoczesne rozwiązania i narzędzia w warunkach klinicznych, to eksperci nie polecają analizowania objawów chorobowych za pomocą powszechnie dostępnych narzędzi, takich jak ChatGPT, Copilot czy Gemini. Nawet uruchomiona niedawno platforma ChatGPT Health, o której pisaliśmy w GeekWeeku, nie służy diagnozowaniu i nie zastąpi konsultacji z lekarzem.
Źródło: Thapa, R., Kjaer, M.R., He, B. et al. A multimodal sleep foundation model for disease prediction. Nat Med (2026). https://doi.org/10.1038/s41591-025-04133-4
