Alvásunk alapján képes diagnózisra egy AI-modell
Egyetlen éjszaka alvásfiziológiai adatai alapján több mint százféle betegség későbbi kialakulásának kockázatát képes előre jelezni a SleepFM nevű modell.
A Nature Medicine folyóiratban január 6-án jelent meg a Stanford University Medical Center kutatóinak cikke, amelyben egy olyan mesterséges intelligencia alapú modell kifejlesztéséről adtak hírt, amely egyetlen éjszaka alvásfiziológiai adatai alapján több mint százféle betegség későbbi kialakulásának kockázatát képes előre jelezni. A SleepFM névre keresztelt modell közel 600 ezer órányi alvásvizsgálati felvételen tanult, amelyet összesen 65 ezer résztvevőtől gyűjtöttek. Ezek az adatok poliszomnográfos vizsgálatokból származnak, amely az alvásdiagnosztika arany standardja: egyszerre rögzíti az agyi aktivitást, a szív működését, a légzést, a szem- és végtagmozgásokat, valamint számos egyéb élettani jelet.
A nyugtalan, rosszul átaludt éjszaka másnap rendszerint fáradtságot és tompaságot okoz, ám a legújabb kutatások szerint ennél jóval messzebbre mutató következményei is lehetnek. A kutatók rámutattak, hogy a poliszomnográfia valóságos adatbánya, amelynek csupán töredékét használja fel a jelenlegi alváskutatás. A mesterséges intelligencia fejlődésével azonban lehetővé vált, hogy ezt a hatalmas mennyiségű információt jóval mélyebben és összetettebben elemezzék. A SleepFM az első olyan modell, amelyet ekkora léptékű alvás-adathalmazon tanítottak be. A kutatócsoport egy úgynevezett alapmodellt hozott létre, amely képes önállóan felismerni mintázatokat nagy adathalmazokban, majd ezeket különféle feladatokra alkalmazni. Ahogyan a nyelvi modellek a szövegek „nyelvét” tanulják meg, úgy a SleepFM az alvás „nyelvét” sajátította el: az 585 ezer órányi felvételt öt másodperces szegmensekre bontva elemezte, és megtanulta, hogyan függnek össze az egyes élettani jelek.
A modell többféle jelcsatornát – EEG‑t, EKG‑t, EMG‑t, pulzus- és légzésadatokat – integrált, és egy új betanulási módszerrel, az úgynevezett leave‑one‑out kontrasztív tanulással képes volt rekonstruálni a hiányzó információt a többi jel alapján. Ez tette lehetővé, hogy a különböző élettani jelek közös mintázatait egységes rendszerként értelmezze.
A tanulási szakasz után a kutatók különböző feladatokra finomhangolták a modellt. Először klasszikus alvásdiagnosztikai feladatokon tesztelték, például az alvásfázisok felismerésén és az alvási apnoe súlyosságának meghatározásán. A SleepFM teljesítménye legalább olyan jó volt, mint a jelenleg használt legfejlettebb modelleké. Ezután a kutatók ambiciózusabb célra vállalkoztak: arra, hogy az alvásadatok alapján előre jelezzék különböző betegségek későbbi megjelenését. Ehhez a poliszomnográfos felvételeket hosszú távú egészségügyi adatokkal kellett összekapcsolni. A Stanford Alvásgyógyászati Központ több mint öt évtizedre visszanyúló betegadatbázisa ideális alapot biztosított ehhez. A SleepFM-et tanító legnagyobb betegcsoport 35 ezer főből állt, akiknek alvásvizsgálati adatai 1999 és 2024 között készültek, így egyes esetekben akár 25 éves utánkövetés is rendelkezésre állt.
A modell 130 betegség esetében talált olyan mintázatot, amely alvásadatok alapján jó pontossággal előre jelezhető volt. Különösen erős predikciót adott daganatos betegségekre, terhességi szövődményekre, keringési kórképekre és mentális zavarokra. A prediktív teljesítményt mérő C‑index számos esetben meghaladta a 0,8‑at, ami kiemelkedő pontosságnak számít. A modell például nagy biztonsággal jelezte előre a Parkinson‑kór (0,89), a demencia (0,85), a hipertenzív szívbetegség (0,84), a szívinfarktus (0,81), valamint a prosztata‑ és emlőrák (0,89 és 0,87) későbbi kialakulását.
A kutatók jelenleg azon dolgoznak, hogy tovább javítsák a SleepFM teljesítményét, például, hogy hordozható eszközök adatait is képes legyen feldolgozni, és hogy feltárják, pontosan milyen mintázatok alapján hozza meg előrejelzéseit. Bár a szívre utaló jelek elsősorban a kardiovaszkuláris betegségek, az agyi aktivitás pedig a mentális zavarok predikciójában játszik nagyobb szerepet, a legpontosabb előrejelzéseket a különböző jelcsatornák együttes elemzése adta. A kutatók szerint különösen figyelemre méltó, amikor a test különböző rendszerei „nincsenek összhangban” – például, ha az agy alvó állapotot mutat, miközben a szív aktivitása ébrenléti mintázatot követ –, mert ezek a jelenségek gyakran utalnak későbbi egészségügyi problémákra. Az eredmények azt mutatják, hogy az alvás élettani jelei jóval többet árulnak el a szervezet állapotáról, mint eddig gondoltuk, és a jövőben fontos szerepet kaphatnak a betegségek korai felismerésében és megelőzésében.
Írásunk az alábbi közlemények alapján készült:
New AI model predicts disease risk while you sleep
A multimodal sleep foundation model for disease prediction
Irodalmi hivatkozás:
A multimodal sleep foundation model for disease prediction, Nature Medicine (2026). DOI: 10.1038/s41591-025-04133-4
