人工智能能够高精度地识别睡眠模式并检测与疾病的关联。斯坦福大学、丹麦技术大学(DTU)及国际合作伙伴的研究人员开发了一种所谓的自学习AI模型，用于分析数十万小时的睡眠测量数据，并识别来自大脑、心脏、肌肉和呼吸的信号模式。
研究人员使用他们的模型SleepFM来预测多达130种疾病的患病风险。该模型基于约65,000名参与者的超过585,000小时睡眠测量数据（称为多导睡眠图PSG），使其成为迄今为止最全面的睡眠模型之一。这项题为"用于疾病预测的多模态睡眠基础模型"的研究已发表在著名期刊《自然·医学》上。
该研究团队成员之一、丹麦技术大学健康科技系博士生马格努斯·鲁德·凯尔(Magnus Ruud Kjær)希望AI模型团队有机会在医院对其进行测试。
"当已经进行睡眠研究时——例如，为了诊断睡眠呼吸暂停——AI有可能在无需额外测试的情况下提供广泛的疾病风险评估。它能够识别出应该在医疗系统内进一步转诊的患者，"他表示。
研究人员表明，他们的模型准确率高达85%，可以预测痴呆症、慢性肾病、心房颤动和心脏病等疾病。研究人员可以通过将SleepFM的结果与参与者记录的匿名疾病结果数据进行比较来验证其预测。这是可能的，因为研究人员已经获得了来自美国睡眠心脏健康研究和斯坦福睡眠队列的睡眠记录，这些记录包含了多家大型医院睡眠诊所的数据。
睡眠作为数据流
根据该研究，睡眠是一种丰富的生理数据流，可以揭示我们整体健康状况的大量信息，但尚未得到充分利用。
SleepFM在睡眠研究和未来疾病风险预测系统方面都代表了一项突破。与之前主要关注确定睡眠阶段的AI模型不同，SleepFM通过将睡眠模式与广泛的疾病风险联系起来，拓展了这一领域。这种新方法有可能改变医疗专业人员目前筛查和监测各种慢性疾病的方式。
丹麦技术大学健康科技系副教授、该研究的合著者安德烈亚斯·布林克-凯尔(Andreas Brink-Kjær)正在继续开展该项目，以更好地理解SleepFM用于预测疾病的可测量身体信号——即所谓的生物标志物。
【全文结束】
