AI analyse af søvnmålinger kan forudsige sygdomsrisiko
Kunstig intelligens kan analysere store mængder søvndata og finde mønstre, der gør det muligt at forudsige risikoen for over 130 sygdomme.
Kunstig intelligens kan finde mønstre i søvn og se sammenhænge med sygdomme med stor præcision. Forskere fra Stanford University, DTU og internationale samarbejdspartnere har udviklet en såkaldt selvlærende AI-model (se faktaboks) til at analysere hundredtusindvis af timers søvnmålinger og finde mønstre i signaler fra hjerne, hjerte, muskler og vejrtrækning.
Forskerne bruger deres model SleepFM, til at forudsige risikoen for op mod 130 sygdomme. Modellen er trænet på mere end 585.000 timer søvnmålinger, såkaldt polysomnografi, PSG, (se faktaboks) fra ca. 65.000 deltagere, hvilket gør den til en af de mest omfattende søvnmodeller til dato. Studiet “A multimodal sleep foundation model for disease prediction” er offentliggjort i det anerkendte tidsskrift Nature Medicine.
En af forskerne bag studiet, ph.d.-studerende ved DTU Sundhedsteknologi Magnus Ruud Kjær, håber, at holdet bag AI-modellen får mulighed for at teste den på et hospital.
“Når man allerede laver en søvnundersøgelse, for eksempel for at udrede søvnapnø, kan AI potentielt anvendes til at give en bred vurdering af sygdomsrisiko uden ekstra undersøgelser. Det kan pege på patienter, der bør henvises videre i sundhedssystemet,” siger han.
Forskerne viser, at deres model med en præcision på op til 85 pct. er i stand til at forudsige sygdomme som demens, kronisk nyresygdom, arterieflimren og blodprop i hjertet. Forskerne kan dokumentere deres forudsigelser ved at sammenholde SleepFM’s resultater med anonymiserede oplysninger om sygdomsudfald, der er registreret blandt deltagerne. Det er muligt, fordi forskerne har fået adgang til søvnregistreringer, der stammer fra det amerikanske Sleep Heart Health Study og fra Stanford Sleep Cohort, som rummer data fra flere store søvnklinikker på hospitaler.
Søvn som en datastrøm
Ifølge studiet er søvn som rig fysiologisk datastrøm, der kan sige meget om vores generelle sundhedstilstand, men som hidtil ikke har været udnyttet fuldt ud.
SleepFM repræsenterer et gennembrud i både søvnforskning og i systemer til at forudsige fremtidig sygdomsrisiko. Hvor tidligere AI-modeller primært fokuserer på at bestemme søvnstadier, udvider SleepFM feltet ved at koble søvnmønstre sammen med bred sygdomsrisiko. Denne nye tilgang kan potentielt ændre måden, sundhedsprofessionelle i dag screener og følger op på en lang række kroniske sygdomme.
Adjunkt ved DTU Sundhedsteknologi og medforfatter Andreas Brink-Kjær arbejder videre med projektet for bedre at forstå kroppens målbare signaler, såkaldte biomarkører, som SleepFM identificerer til at forudsige sygdomme.
Fakta:
Selvlærende AI
Forskerne bag AI-modellen SleepFM har bygget et stort matematisk system, der kan lære sammenhænge i data fra søvnmålinger.
Forskerne har ikke selv, manuelt beskrevet, hvilke konkrete mønstre modellen skal kigge efter. I stedet har de udviklet en selvlærende algoritme, som automatisk finder strukturer og signaler i søvndata gennem såkaldt selv-overvåget kontrastiv læring.
Modellen er derfor et matematisk netværk, der justerer sine egne indre parametre, mens den ser flere og flere eksempler. Det er denne proces, der gør det muligt at opdage nye sammenhænge med sygdomme, som mennesker ikke på forhånd havde formuleret.
Søvnundersøgelser
Polysomnografi (PSG) er en omfattende søvnundersøgelse, hvor man måler flere fysiologiske signaler under søvn.
Typisk registreres hjernens elektriske aktivitet, øjenbevægelser, muskelaktivitet, hjerterytme, åndedrætsmønstre, iltmætning og benbevægelser.
Formålet er at få et komplet billede af, hvad der sker i kroppen, mens man sover. PSG er den mest omfattende og sikre metode til at diagnosticere søvnforstyrrelser som søvnapnø og narkolepsi.
