AI预测未来疾病风险的新方法聚焦于睡眠模式。每年数百万人将“调整睡眠时间表”列入新年决心清单，充分休息（即每晚八小时）对改善情绪和认知能力的益处广为人知，但睡眠对健康的影响远不止于精力和情绪层面。
事实证明，睡眠的影响极为深远。斯坦福大学研究团队近期开发出名为SleepFM的人工智能模型，该模型利用睡眠记录预测疾病风险。在资深共同作者周（James Zou）和埃马纽埃尔·米尼奥（Emmanuel Mignot）的领导下，该模型能够准确预测痴呆症至中风等130多种疾病的发病风险。
“我们直觉上知道睡眠是人类生活中极其重要的方面，”周表示，“普通人一生中约有三分之一时间用于睡眠，但从人工智能角度而言，这一领域仍相对未被充分探索。”
SleepFM模型基于来自65家睡眠诊所6.5万名参与者的58.5万小时睡眠记录进行训练。研究团队特别采用多导睡眠图（PSG）记录，这种记录能捕捉来自人体多方面的丰富生理信号。“我们采集的睡眠记录极为详尽，包含脑电波、心率、肌肉收缩甚至呼吸模式，”周解释道。
这些输入信号的组合为AI提供了整体性学习睡眠的多模态数据集。然而，大规模数据集也带来技术挑战。计算机科学博士生拉胡尔·塔帕（Rahul Thapa）作为研究主要作者指出，处理多模态数据时，数据中信号的庞大规模是最大意外发现之一。
每位患者的连续记录超过八小时，首要任务是确定何种训练方法在大规模应用中效果最佳。塔帕表示，这“耗费了大量时间和反复迭代”。团队发现，针对不同身体信号进行跨模态训练比传统监督学习方法更有效，原因是数据多样性显著。他们还开发了新型“留一法”，使模型在数据缺失或异质化情况下仍保持预测能力。
“我们本质上是在让人工智能学习睡眠的语言，”周说。塔帕补充道，研究第二部分聚焦基础模型的应用：通过将睡眠数据与患者电子健康档案结合，探究睡眠模式是否能预示未来健康状况。
塔帕强调，预测结果应解读为相对风险估计值而非确定性诊断，因为这些模型尚未获得美国食品药品监督管理局（FDA）批准，也未在临床环境中进行前瞻性验证。“我们的目标是理解人群层面的信号关联，而非为个体患者提供医疗决策，”他表示。
展望未来，周和塔帕认为该项目将延伸至可穿戴设备领域——这类小型便携电子设备通过嵌入式传感器和软件收集健康、健身或性能数据。随着Apple Watch最新型号已能提供睡眠呼吸暂停评分和心电图，这些设备正日益成为疾病风险筛查的前沿工具。
研究可穿戴生物电子设备的奇布伊克·乌瓦克韦（Chibuike Uwakwe）博士高度评价了SleepFM架构设计的创新性。尽管该模型基于包含远超当前消费级可穿戴设备信号的PSG数据训练，乌瓦克韦认为该技术未来可分析可穿戴设备的睡眠数据。“我预见由人工智能驱动的可穿戴设备数据将用于支持临床决策，”乌瓦克韦表示。
本项目是AI整合多模态生理数据、从睡眠中获取临床洞察的最新范例，睡眠现被视为透视个体当前及未来健康的重要窗口。“睡眠蕴含的生理信息极其丰富，我们才刚刚开始挖掘其价值，”塔帕总结道。
更正：先前版本错误拼写了奇布伊克·乌瓦克韦（Chibuike Uwakwe）的姓名并误述其教育背景，本报对此错误深表歉意。
【全文结束】
