یک مدل تازه هوش مصنوعی (AI) میتواند بر اساس کیفیت خواب افراد تعیین کند آیا خطر ابتلا به بیش از ۱۰۰ مشکل سلامت آنها را تهدید میکند یا نه.
SleepFM، یک مدل زبانی بزرگ (LLM) که پژوهشگران دانشگاه استنفورد کالیفرنیا آن را توسعه دادهاند، هنگام خواب فعالیت مغز، ضربان قلب، سیگنالهای تنفسی، حرکت پاها و حرکت چشمها را میخواند تا خطر بیماری را ارزیابی کند.
در یک مطالعه جدید منتشرشده در Nature، پژوهشگران این مدل هوش مصنوعی را با بیش از ۵۸۰ هزار ساعت داده خواب آموزش دادند که از ۶۵ هزار بیمار بین سالهای ۱۹۹۹ تا ۲۰۲۴ گردآوری شده بود.
این دادهها از کلینیکهای خواب، یعنی مراکز پزشکی که الگوهای خواب را در طول شب ارزیابی میکنند، به دست آمد و به بخشهای پنجثانیهای تقسیم شدند که مانند واژهها برای آموزش مدلهای زبانی بزرگ عمل میکرد.
جیمز زو، دانشیار علم دادههای زیستی در استنفورد و همنویسنده این پژوهش، گفت: «SleepFM در اصل زبان خواب را میآموزد.»
پژوهشگران این دادهها را با پروندههای سلامت فردیِ بیمارانِ کلینیکهای خواب تکمیل کردند تا SleepFM برای پیشبینی بیماریهای آینده آموزش ببیند.
این مدل هوش مصنوعی دستکم در ۸۰ درصد موارد درست تشخیص داد که آیا بیمار به پارکینسون، آلزایمر، زوال عقل، بیماری قلبی ناشی از پرفشاری خون، حمله قلبی، سرطان پروستات یا سرطان پستان دچار خواهد شد. همچنین مرگ بیمار را در ۸۴ درصد موارد بهدرستی پیشبینی کرد.
مدل در پیشبینی بیماری مزمن کلیه، سکته مغزی و آریتمی، که ضربان نامنظم قلب محسوب میشود، دقت کمتری داشت و آنها را دستکم در ۷۸ درصد موارد شناسایی کرد.
امانوئل میگنو، استاد پزشکی خواب در استنفورد، گفت: «وقتی خواب را مطالعه میکنیم، تعداد شگفتانگیزی از سیگنالهای [سلامتی] را ثبت میکنیم. این نوعی فیزیولوژی عمومی است که هشت ساعت روی سوژهای کاملا بیحرکت مطالعه میشود. این دادهها بسیار غنی است.»
نویسندگان این مطالعه گفتند ترکیب همه این دادهها به مدل کمک کرد به دقیقترین پیشبینیها برسد. برای نمونه، ناهماهنگی سیگنالهای بدن، مانند مغزی که خواب به نظر میرسد اما قلبی که بیدار است، نشانه مشکل بود.
استنفورد اعلام کرد که در گام بعدی دادههای دستگاههای پوشیدنی را به پایگاه داده SleepFM اضافه میکند تا پیشبینیهای مدلها دقیقتر شود.
پژوهشگران همچنین تاکید کردند مطالعه آنها فقط شامل افرادی بود که به دلیل شرکت در آزمایشهای کلینیک خواب، از پیش به مشکلات سلامت مشکوک بودند؛ بنابراین نمونه آنها نماینده توانایی این هوش مصنوعی برای تشخیص بیماری در جمعیت عمومی نیست.
