Μοντέλο AI προβλέπει τον κίνδυνο ασθένειας μέσω δεδομένων ύπνου
Ένας κακός ύπνος μπορεί να σηματοδοτήσει όχι μόνο μια κουραστική μέρα, αλλά και να προμηνύει ασθένειες που μπορεί να εμφανιστούν χρόνια αργότερα. Ένα νέο μοντέλο τεχνητής νοημοσύνης, που αναπτύχθηκε από ερευνητές του Stanford Medicine και συνεργάτες τους, έχει τη δυνατότητα να χρησιμοποιεί φυσιολογικά δεδομένα από μια νύχτα ύπνου για να προβλέψει τον κίνδυνο ανάπτυξης περισσότερων από 100 υγειονομικών καταστάσεων.
Η καινοτομία του SleepFM
Το μοντέλο, γνωστό ως SleepFM, εκπαιδεύτηκε σε σχεδόν 600.000 ώρες δεδομένων ύπνου που συλλέχθηκαν από 65.000 συμμετέχοντες. Τα δεδομένα προέρχονται από πολυσωματογραφία, μια ολοκληρωμένη αξιολόγηση ύπνου που χρησιμοποιεί διάφορους αισθητήρες για να καταγράψει τη δραστηριότητα του εγκεφάλου, την καρδιακή δραστηριότητα, τις αναπνευστικές ενδείξεις, τις κινήσεις των ποδιών, τις κινήσεις των ματιών και άλλα.
Η πολυσωματογραφία θεωρείται ο χρυσός κανόνας στις μελέτες ύπνου, καθώς παρακολουθεί τους ασθενείς κατά τη διάρκεια της νύχτας σε ένα εργαστήριο. Οι ερευνητές συνειδητοποίησαν ότι αυτά τα δεδομένα αποτελούν μια ανεκμετάλλευτη πηγή φυσιολογικών πληροφοριών. “Καταγράφουμε έναν εντυπωσιακό αριθμό σημάτων όταν μελετάμε τον ύπνο,” δήλωσε ο Δρ. Εμμανουήλ Μινιότ, καθηγητής ύπνου και συν-συγγραφέας της μελέτης που θα δημοσιευθεί στις 6 Ιανουαρίου στο Nature Medicine. “Είναι μια γενική φυσιολογία που μελετάμε για οκτώ ώρες σε ένα υποκείμενο που είναι εντελώς υπό παρακολούθηση. Είναι πολύ πλούσιο σε δεδομένα.”
Η αξιοποίηση της τεχνητής νοημοσύνης
Μόνο ένα μικρό ποσοστό αυτών των δεδομένων χρησιμοποιείται στις τρέχουσες έρευνες και ιατρικές πρακτικές ύπνου. Με τις εξελίξεις στην τεχνητή νοημοσύνη, τώρα είναι εφικτό να αξιοποιήσουμε πολύ περισσότερα από αυτά. Η νέα μελέτη είναι η πρώτη που χρησιμοποιεί AI για να αναλύσει τόσο μεγάλης κλίμακας δεδομένα ύπνου.
Από την πλευρά της τεχνητής νοημοσύνης, ο ύπνος παραμένει σχετικά υπομελετημένος. Υπάρχει πολύς άλλος AI που εξετάζει παθολογίες ή καρδιολογία, αλλά ελάχιστα που ασχολούνται με τον ύπνο, παρά το γεγονός ότι είναι τόσο σημαντικός για τη ζωή μας,” προσθέτει ο Δρ. Τζέιμς Ζού, αναπληρωτής καθηγητής βιοϊατρικής επιστήμης δεδομένων.
Η διαδικασία εκπαίδευσης του μοντέλου
Για να εκμεταλλευτούν την πηγή δεδομένων ύπνου, οι ερευνητές δημιούργησαν ένα μοντέλο βάσης, που είναι ένας τύπος AI που μπορεί να εκπαιδευτεί σε τεράστιες ποσότητες δεδομένων και να εφαρμόσει όσα έχει μάθει σε ένα ευρύ φάσμα καθηκόντων. Το SleepFM εκπαιδεύτηκε με 585.000 ώρες πολυσωματογραφικών δεδομένων που προήλθαν από ασθενείς που είχαν υποβληθεί σε αξιολόγηση ύπνου σε διάφορες κλινικές.
Το μοντέλο ήταν σε θέση να ενσωματώσει πολλαπλές ροές δεδομένων – όπως ηλεκτροεγκεφαλογραφία, ηλεκτροκαρδιογραφία, ηλεκτρομυογραφία, μέτρηση σφυγμού και ροή αναπνοής – και να κατανοήσει πώς σχετίζονται μεταξύ τους. Για να το πετύχουν αυτό, οι ερευνητές ανέπτυξαν μια νέα τεχνική εκπαίδευσης, που ονομάζεται “leave-one-out contrastive learning”, η οποία ουσιαστικά κρύβει μια μορφή δεδομένων και προτρέπει το μοντέλο να ανακατασκευάσει το χαμένο κομμάτι βάσει των άλλων σημάτων.
Αφού ολοκληρώθηκε η φάση εκπαίδευσης, οι ερευνητές μπορούσαν να προσαρμόσουν το μοντέλο σε διαφορετικά καθήκοντα. Αρχικά, δοκίμασαν το μοντέλο σε τυπικές αναλύσεις ύπνου, όπως η κατηγοριοποίηση διαφορετικών σταδίων ύπνου και η διάγνωση της σοβαρότητας της άπνοιας ύπνου. Το SleepFM απέδωσε εξίσου καλά ή καλύτερα από τα πιο προηγμένα μοντέλα που χρησιμοποιούνται σήμερα.
Στη συνέχεια, οι ερευνητές επιχείρησαν έναν πιο φιλόδοξο στόχο: την πρόβλεψη της μελλοντικής εμφάνισης ασθενειών από δεδομένα ύπνου. Για να προσδιορίσουν ποιες καταστάσεις θα μπορούσαν να προβλεφθούν, χρειάστηκε να συνδυάσουν τα δεδομένα πολυσωματογραφίας με τις μακροχρόνιες υγειονομικές εξελίξεις των ίδιων συμμετεχόντων. Ευτυχώς, είχαν πρόσβαση σε περισσότερα από μισό αιώνα υγειονομικών αρχείων από μια κλινική ύπνου.
Το Κέντρο Ιατρικής Ύπνου του Στάνφορντ ιδρύθηκε το 1970 από τον αείμνηστο Δρ. Ουίλιαμ Ντεμέντ, ο οποίος θεωρείται ευρέως ο πατέρας της ιατρικής ύπνου. Η μεγαλύτερη ομάδα ασθενών που χρησιμοποιήθηκε για την εκπαίδευση του SleepFM περιλαμβάνει περίπου 35.000 ασθενείς.
