AI μοντέλο αναλύει δεδομένα ύπνου για πρόβλεψη ασθενειών και θνησιμότητας
Μια επαναστατική μελέτη που δημοσιεύθηκε στο Nature Medicine αποκαλύπτει πώς ένα νέο AI μοντέλο, το SleepFM, μπορεί να χρησιμοποιήσει δεδομένα ύπνου για να προβλέψει μελλοντικές ασθένειες και θνησιμότητα χρόνια πριν από την κλινική διάγνωση. Η έρευνα αυτή προσφέρει ελπίδες για πρώιμη παρέμβαση και καλύτερη διαχείριση της υγείας.
Η σημασία του ύπνου στην υγεία
Οι διαταραχές ύπνου πλήττουν εκατομμύρια ανθρώπους και αναγνωρίζονται ολοένα και περισσότερο ως παράγοντες κινδύνου για διάφορες ασθένειες. Η πολυσωματογραφία (PSG) θεωρείται η χρυσή στάνταρ μέθοδος ανάλυσης του ύπνου, καταγράφοντας πλούσιες φυσιολογικές πληροφορίες. Παρ’ όλα αυτά, προηγούμενες μελέτες μηχανικής μάθησης επικεντρώθηκαν κυρίως σε μεμονωμένες ασθένειες ή περιορισμένα δεδομένα ύπνου, αφήνοντας ανεκμετάλλευτη την πλούσια πολυπλοκότητα που προσφέρει η PSG.
Η ανάπτυξη του SleepFM
Οι ερευνητές χρησιμοποίησαν δεδομένα PSG από τέσσερις διαφορετικές ομάδες: BioSerenity, Outcomes of Sleep Disorders in Older Men (MrOS), Multi-Ethnic Study of Atherosclerosis (MESA) και Stanford Sleep Clinic (SSC). Συνολικά, οι συμμετοχές αυτές περιλάμβαναν περίπου 65.000 άτομα και 585.000 ώρες καταγραφών ύπνου. Επιπλέον, η μελέτη αξιολόγησε τη γενίκευση του μοντέλου μέσω του Sleep Heart Health Study (SHHS), αποκλείοντας το από την προεκπαίδευση.
Το SleepFM χρησιμοποιεί μια αυτοεποπτευόμενη μέθοδο αντίθετης μάθησης για την προεκπαίδευση του, και η απόδοσή του αξιολογήθηκε μέσω τεσσάρων βασικών εργασιών: ταξινόμηση φύλου, ταξινόμηση σταδίων ύπνου, εκτίμηση ηλικίας και ταξινόμηση άπνοιας ύπνου. Για την εκτίμηση ηλικίας, το μοντέλο πέτυχε μέσο απόλυτο σφάλμα 7,33 ετών, με καλύτερα αποτελέσματα σε μεσαίες ηλικιακές ομάδες.
Αποτελέσματα και προοπτικές
Το SleepFM απέδειξε την ικανότητά του να διακρίνει μεταξύ των σταδίων ύπνου, όπως η αφύπνιση και το REM, αν και παρουσίασε δυσκολίες σε μεταβατικά στάδια. Σημαντικό είναι ότι το μοντέλο πέτυχε ανταγωνιστική απόδοση σε σύγκριση με άλλα σύγχρονα μοντέλα, όπως το U-Sleep και το Greifswald Sleep Stage Classifier.
Στην ταξινόμηση άπνοιας ύπνου, το SleepFM πέτυχε ακρίβειες 0,87 και 0,69 για την παρουσία και τη σοβαρότητα αντίστοιχα. Οι ερευνητές συνέδεσαν τα δεδομένα του SSC με ηλεκτρονικά ιατρικά αρχεία, εξάγοντας διαγνωστικούς κωδικούς για την πρόβλεψη ασθενειών. Αυτοί οι κωδικοί χαρτογραφήθηκαν σε ένα ιεραρχικό σύστημα με περισσότερες από 1.800 κατηγορίες ασθενειών.
Τα αποτελέσματα ήταν εντυπωσιακά, με το SleepFM να προβλέπει με επιτυχία διάφορες καταστάσεις, όπως επιπλοκές εγκυμοσύνης και ψυχικές διαταραχές. Ιδιαίτερα, το μοντέλο πέτυχε AUROC 0,93 για τη νόσο του Πάρκινσον και 0,84 για ήπιες γνωστικές διαταραχές, με χρονικό ορίζοντα πρόβλεψης έξι ετών. Αυτές οι ανακαλύψεις υπογραμμίζουν τη δυνατότητα του SleepFM να λειτουργήσει ως ένα πρώιμο σύστημα προειδοποίησης για διάφορες ασθένειες, ανοίγοντας το δρόμο για νέες στρατηγικές παρέμβασης στην υγεία.
