Nyhetsstudio

Data fra hjerterytme og hjernebølger fra én natts søvn kan gi så mye informasjon at en ny kunstig intelligens-modell kan anslå risiko for 130 diagnoser.

Det er anerkjente forskere ved Stanford Medicine som har utviklet et KI-system kalt SleepFM. Det analyserer data fra én natts søvnregistrering, polysomnografi (PSG), og kan forutsi risiko for 130 ulike sykdommer. Modellen viser høy treffsikkerhet når det gjelder å forutsi demens, kreft og hjerte- og karsykdommer.

Mens tradisjonell søvnanalyse plukker ut noen få parametere for å diagnostisere lidelser som søvnapné eller andre søvnlidelser, bruker SleepFM alt av data: hjerneaktivitet, hjerterytme, pustemønster, muskelaktivitet under søvn og våkenhet, og øyebevegelser.

– Vi registrerer et forbløffende antall signaler når vi studerer søvn, sier Emmanuel Mignot, professor i søvnmedisin og medforfatter av studien, som er publisert i Nature Medicine.

Lærte seg søvnspråket

KI-modellen er trent opp med 585.000 timer med opptak fra rundt 65.000 personer som er testet ved ulike søvnklinikker. Den største pasientgruppen fikk søvnen registrert ved The Stanford Sleep Medicine Center i perioden 1999 til 2024. Rundt 35.000 pasienter i alderen 2 til 96 år ble fulgt over tid, med data som viste utvikling over opptil 25 år.

Bare en brøkdel av disse dataene var brukt. Forskerne har nå utviklet en KI-modell som trener seg selv på svært store mengder data og anvender det den har lært, slik språkmodeller som ChatGPT er trent basert på enorme mengder tekst.

– SleepFM lærer i bunn og grunn søvnens språk, sier medforfatter James Zou, professor i biomedisinsk datavitenskap.

Modellen sammenfatter dataregistrering fra hjerne, hjerte og muskler, plukker opp hvordan disse står i forhold til hverandre, og hva det kan bety. Et av de tekniske framskrittene som er gjort i arbeidet, er å harmonisere alle de ulike datagruppene, slik at de kan «snakke det samme språket». Slik kan SleepFM formidle hva søvnen faktisk forteller oss.

Svært god

Etter treningsfasen kunne forskerne finjustere KI-modellen til ulike oppgaver. Først testet de modellen på typiske søvnanalyseoppgaver, som allerede gjøres med PSG, der de hadde «fasiten». SleepFM presterte like godt som eller bedre enn de mest avanserte diagnosemodellene som brukes i dag.

Deretter fikk SleepFM i oppgave å forutsi fremtidig sykdom, basert på søvndata. Spådommene om risiko for sykdommer ble sjekket mot helsehistorikken hos deltakerne man hadde informasjon om over lang tid.

I helsehistorikken ble det plukket ut mer enn 1000 sykdommer og helsetilstander, hvorav SleepFM fant ut at 130 kunne forutsies med rimelig nøyaktighet ved hjelp av søvndata.

SleepFM var spesielt god på å forutsi Parkinsons sykdom, demens, hjertesykdom, hjerteinfarkt, prostatakreft, brystkreft og død.

Zou sier forskerne ble positivt overrasket over prestasjonsnivået for et såpass variert spekter av tilstander.

Med litt lavere nøyaktighet forutsa KI-modellen i hvilken grad en pasient ville respondere på ulike kreftbehandlinger. En slik spådom er svært nyttig i kliniske sammenhenger.

Søvnens signaler er undervurdert

Den nye studien er den første som bruker KI til å analysere så omfattende søvndata.

Søvnforsker Ingvild West Saxvig ved Nasjonalt senter for søvnmedisin i Bergen har ikke selv gått over forskningen fra Stanford, men sier det er mulig at informasjon fra en PSG-registrering kan gi en pekepinn om helse og sykdomsutvikling også på andre områder enn søvn.

– Det er en sterk kobling mellom søvn og mange ulike lidelser, både psykiske og somatiske. Polysomnografi er gullstandarden for å måle søvn, og inkluderer måling av mange fysiologiske parametere som også i seg selv kan være assosiert med andre sykdommer, sier hun i en epost til NTB.