Stanford's SleepFM: Gesundheitliche Prognosen aus einer einzigen Nacht Schlaf freilegen

Forscher der Stanford Medicine haben ein bahnbrechendes künstliches Intelligenzmodell vorgestellt, das das Risiko von über 130 Krankheiten anhand von Daten aus einer einzigen Nacht Schlaf vorhersagen kann. Diese Entwicklung stellt einen erheblichen Fortschritt in der medizinischen KI dar und verwandelt Schlaf von einer Phase passiver Ruhe in ein reichhaltiges diagnostisches Fenster für die langfristige Gesundheit.

Das Modell, bekannt als SleepFM, nutzt eine Foundation-Modell-Architektur (foundation model), um physiologische Signale zu analysieren, die während der Polysomnographie (PSG) erfasst werden—dem Goldstandard der Schlafanalyse. Durch die Verarbeitung von nahezu 600.000 Stunden archivierter Schlafdaten hat die KI eine beispiellose Fähigkeit gezeigt, Zustände vorherzusagen, die von Herz-Kreislauf-Versagen bis hin zu neurologischen Störungen wie Demenz und Morbus Parkinson reichen, oft Jahre bevor klinische Symptome auftreten.

Das ungenutzte Potenzial von Schlafdaten

Seit Jahrzehnten ist Polysomnographie (polysomnography) das primäre Instrument zur Diagnose schlafspezifischer Störungen wie Schlafapnoe oder Insomnie. Patienten, die sich diesen Untersuchungen unterziehen, werden eine Nacht lang in einer Klinik überwacht, wobei Sensoren eine Vielzahl physiologischer Messwerte aufzeichnen, darunter Hirnströme (EEG), Herzrhythmen (ECG), Atemmuster, Augenbewegungen und Muskelaktivität. Traditionelle Analysemethoden haben jedoch historisch einen Großteil dieser Daten verworfen und sich nur auf die spezifischen Signale konzentriert, die für die Schlafpathologie relevant sind.

Die Forscher von Stanford erkannten diese verworfenen Daten als eine „ungeschöpfte Goldgrube“ allgemeiner physiologischer Informationen. Emmanuel Mignot, MD, PhD, Professor für Schlafmedizin an der Stanford und Co-Seniorautor der Studie, betonte, dass Schlafstudien einen einzigartigen Schnappschuss der menschlichen Physiologie erfassen. Laut Mignot repräsentieren die Daten acht Stunden kontinuierliche biologische Überwachung in einer kontrollierten Umgebung und bieten eine Tiefe an Einsicht, die kurze klinische Besuche nicht erreichen können.

Um dieses Potenzial zu nutzen, entwickelte das Team SleepFM als multimodales Foundation-Modell. Im Gegensatz zu traditionellen KI-Modellen, die für eine einzelne Aufgabe trainiert werden, sind Foundation-Modelle darauf ausgelegt, breite Muster aus riesigen Datensätzen zu erlernen—ähnlich wie Große Sprachmodelle (Large Language Models, LLMs) wie GPT-4 aus Text lernen. SleepFM wurde auf einem Datensatz trainiert, der aus etwa 65.000 Individuen und nahezu 600.000 Stunden physiologischer Aufzeichnungen besteht, die zwischen 1999 und 2024 gesammelt wurden.

Die „Sprache des Schlafs“ entwickeln

Die Entwicklung von SleepFM erforderte einen neuartigen Ansatz im maschinellen Lernen. Das Modell sucht nicht einfach nach bekannten Krankheitssignalen; stattdessen erlernt es die intrinsische „Grammatik“ der Schlafphysiologie. Die Forscher verwendeten eine Technik namens leave-one-out-kontrastives Lernen (leave-one-out contrastive learning). Bei diesem Verfahren wird dem Modell kurze, fünfsekündige Ausschnitte aus Schlafdaten zugeführt, wobei ein physiologisches Signal entfernt wurde (z. B. werden die Herzfrequenzdaten verborgen). Die KI wird dann herausgefordert, das fehlende Signal anhand der verbleibenden Datenströme vorherzusagen.

Diese Trainingsmethode zwingt das Modell, die tiefen, miteinander verknüpften Beziehungen zwischen verschiedenen Körpersystemen zu verstehen—wie eine Veränderung der Hirnaktivität mit einer Verschiebung der Herzfrequenz oder der Atmung korrelieren kann. Sobald das Modell diese internen physiologischen Beziehungen gemeistert hatte, verfeinerten die Forscher es, um externe Gesundheitsoutcomes vorherzusagen.

Durch die Verknüpfung der Schlafdaten mit Jahrzehnten elektronischer Gesundheitsakten (electronic health records) derselben Patienten konnte das Team spezifische Schlafmuster mit der späteren Entwicklung chronischer Krankheiten korrelieren. Die Ergebnisse zeigten, dass SleepFM subtile, subklinische Krankheitssignaturen identifizieren konnte, die für das menschliche Auge unsichtbar sind.

Beispiellose prognostische Genauigkeit

Die prognostische Leistungsfähigkeit von SleepFM erstreckt sich über eine Vielzahl medizinischer Kategorien, darunter Onkologie, Kardiologie und Neurologie. In der in Nature Medicine veröffentlichten Studie bewertete das Modell über 1.000 Krankheitskategorien und identifizierte 130 spezifische Zustände, die mit hoher Genauigkeit vorhergesagt werden konnten.

Die Forscher verwendeten den Konkordanzindex (C-Index) zur Messung der Modellleistung. Ein C-Index von 0,8 oder höher weist auf eine starke Prognosefähigkeit hin, was bedeutet, dass das Modell in 80 % der Fälle korrekt vorhersagen kann, welcher von zwei Patienten eher eine Krankheit entwickeln wird. SleepFM erreichte diese hohe Schwelle für Dutzende schwerer Erkrankungen.

Die folgende Tabelle fasst die prognostische Leistung des Modells für mehrere wichtige Krankheiten zusammen:

Diese Zahlen legen nahe, dass SleepFM besonders gut darin ist, Risiken für Erkrankungen zu identifizieren, die komplexe systemische Degenerationen beinhalten, wie Morbus Parkinson und Demenz. Beispielsweise stimmt die hohe Genauigkeit bei der Vorhersage der Parkinson-Krankheit mit bekannter medizinischer Literatur überein, die Schlafstörungen—insbesondere die REM-Schlafverhaltensstörung (REM sleep behavior disorder)—mit früher Neurodegeneration verknüpft. SleepFM erkennt diese Muster jedoch automatisch und quantifiziert das Risiko präzise.

Die Lücke zwischen Schlaf- und Allgemeinmedizin überbrücken

Die Implikationen von SleepFM reichen weit über die Schlafklinik hinaus. James Zou, PhD, außerordentlicher Professor für biomedizinische Datenwissenschaft und Co-Seniorautor, stellte fest, dass während andere Bereiche der Medizin wie Pathologie und Kardiologie eine erhebliche KI-Integration erfahren haben, die Schlafmedizin relativ isoliert geblieben ist. SleepFM zeigt, dass Schlafdaten effektiv ein Proxy für die allgemeine Gesundheit sind.

Einer der vielversprechendsten Aspekte des Modells ist seine Fähigkeit, multimodale Daten zu nutzen. Die Forscher stellten fest, dass die Kombination aller verfügbaren Signale—Gehirn, Herz und Atmung—die genauesten Vorhersagen lieferte. Das Modell zeigte jedoch auch, dass verschiedene Krankheiten unterschiedliche „Fingerabdrücke“ in den Schlafdaten hinterlassen. Herz-Kreislauf-Erkrankungen wurden am besten mit Herzfrequenz- und EKG-Signalen vorhergesagt, während neurologische Störungen stärker mit der Hirnwellenaktivität verknüpft waren.

Diese Granularität ermöglicht einen personalisierteren Ansatz in der Präventionsmedizin. Ein Patient, der sich einer routinemäßigen Schlafstudie wegen Schnarchens unterzieht, könnte potenziell eine Risikobewertung für Herzkrankheiten oder Krebs erhalten, die frühe Untersuchungen und Interventionen Jahre vor dem typischen Auftreten von Symptomen auslöst.

Herausforderungen und zukünftige Richtungen

Obwohl die Ergebnisse vielversprechend sind, steht die Implementierung von SleepFM in der klinischen Praxis vor mehreren Hürden. Das aktuelle Modell basiert auf den hochauflösenden Daten, die durch Polysomnographie bereitgestellt werden, bei der Dutzende von Sensoren am Körper des Patienten angebracht werden. Dieses Datenqualitätsniveau ist derzeit nur in spezialisierten Schlaflaboren verfügbar.

Die Forscher sind jedoch optimistisch, dass sich diese Technologie an Verbrauchswerkzeuge anpassen lässt. Da Smartwatches und Schlafringe immer ausgefeilter werden, beginnen sie, Daten zu erfassen, die einige Kanäle einer PSG annähern, wie Herzfrequenzvariabilität und Bewegungen. Wenn eine Version von SleepFM so angepasst werden kann, dass sie mit den rauschenderen, niedrigauflösenden Daten von Wearables arbeitet, könnte dies den Zugang zu dieser Art von Gesundheitsprognosen demokratisieren.

Darüber hinaus müssen die ethischen und datenschutzrechtlichen Implikationen einer derart leistungsfähigen Vorhersagetechnologie angesprochen werden. Die Fähigkeit, ein hohes Risiko für Demenz oder Mortalität Jahre im Voraus vorherzusagen, wirft komplexe Fragen darüber auf, wie diese Informationen Patienten übermittelt werden sollten und wie sie Versicherungen oder Beschäftigung beeinflussen könnten.

Fazit

SleepFM repräsentiert einen Paradigmenwechsel in unserer Sicht auf Schlaf. Es bestätigt die Hypothese, dass unsere nächtliche Ruhe nicht lediglich eine Unterbrechung des Bewusstseins ist, sondern ein komplexer physiologischer Zustand, der unsere gesamte biologische Gesundheit widerspiegelt. Indem Stanford die verborgenen Signale im Schlaf entschlüsselt hat, hat die KI ein neues Feld in der Präventionsmedizin eröffnet, in dem eine gute Nacht Schlaf eines Tages Ihr Leben retten könnte.

Mit der Reifung der Technologie ist zu erwarten, dass sich die Gesundheitsüberwachung ganzheitlicher gestaltet, wobei KI als stiller Wächter fungiert und die passiven Daten analysiert, die wir erzeugen, um unser zukünftiges Wohlbefinden zu schützen. Die „ungeschöpfte Goldgrube“ der Schlafdaten wird endlich ausgegraben, und die darin verborgenen Schätze könnten die Gesundheitsversorgung revolutionieren.