AI-modell, amely az alvásból évekkel előre jósol betegségeket

A Nature Medicine folyóiratban megjelent tanulmányban a kutatók egy új, több adatforrást egyesítő alvásalapú MI-modellt, a SleepFM-et fejlesztették ki a betegségek előrejelzésére.

Az alvászavaroktól a teljes szervezetet érintő kockázatokig

Az alvászavarok világszerte emberek millióit érintik, és egyre inkább kiderül róluk, hogy nemcsak önálló problémák, hanem más betegségek előjelei vagy súlyosbító tényezői is lehetnek. Az alvásvizsgálatok arany standardja az úgynevezett poliszomnográfia (PSG), amely az éjszaka során részletes élettani adatokat rögzít – például az agyhullámokat, a légzést, a pulzust és az izomműködést.

Korábban a gépi tanulásos kutatások jellemzően egy-egy betegségre vagy korlátozott számú alvásparaméterre fókuszáltak, így a PSG-ben rejlő összetett információk nagy része kihasználatlan maradt.

SleepFM: az éjszakai élettan összekapcsolása a hosszú távú betegségi kockázattal

A kutatás során a SleepFM modellt négy nagy adatbázis PSG-adataival tanították: BioSerenity, MrOS, MESA és a Stanford Sleep Clinic. Ezek együtt közel 65 ezer résztvevő és 585 ezer órányi alvásfelvétel adatait tartalmazták.

A modellt önfelügyelt tanulással tanították, majd több feladaton tesztelték, például nem meghatározása, alvásfázisok felismerése, életkor becslése és alvási apnoé azonosítása során. Az életkor-becslésnél átlagosan 7,3 év eltéréssel dolgozott, míg az alvási apnoé jelenlétét közel 87%-os pontossággal jelezte.

Betegségek előrejelzése évekkel korábban

A kutatók ezután a Stanford Sleep Clinic adatait összekapcsolták elektronikus egészségügyi nyilvántartásokkal, és több mint 1000 különböző betegségkategóriára vizsgálták meg az előrejelzési képességet.

A SleepFM különösen jól teljesített többek között:

• Parkinson-kór,

• enyhe kognitív károsodás,

• fejlődési rendellenességek,

• szív- és érrendszeri betegségek,

• agyvérzés,

• magas vérnyomás okozta szívbetegség,

• valamint egyes daganatok (prosztata-, bőr- és emlőrák) esetén.

Egyes betegségeknél a modell akár 6 évvel korábban is képes volt statisztikailag megbízható kockázati előrejelzést adni. A kutatók hangsúlyozzák: ezek nem biztos diagnózisok, hanem kockázatbecslések.

Halálozási kockázat előrejelzése

A SleepFM az összhalálozás előrejelzésében is jobban teljesített, mint a hagyományos modellek. Az MI-modell 0,85-ös pontosságot (AUROC) ért el, szemben a demográfiai adatokra és hagyományos alvásmodellekre épülő módszerekkel.

Az alvás, mint alulhasznált egészségügyi adatforrás

A kutatók szerint az eredmények azt mutatják, hogy az alvás rendkívül gazdag, eddig alulértékelt információforrás lehet a hosszú távú egészség megítélésében. Bár a modell még nem magyarázza meg pontosan, mely élettani mechanizmusok állnak az előrejelzések mögött, jelentős potenciált hordoz a korai felismerésben.

A jövőben a SleepFM-hez hasonló modelleket egészségügyi adatokkal, képalkotó vizsgálatokkal és genetikai információkkal kombinálva tovább javíthatják a betegségek korai felismerését és megelőzését.