Stanford's SleepFM: раскрывая прогнозы здоровья по одной ночи сна

Исследователи Stanford Medicine представили новаторскую модель искусственного интеллекта (artificial intelligence), способную прогнозировать риск более чем 130 заболеваний, используя данные всего одной ночи сна. Это достижение знаменует значительный прорыв в медицинском ИИ, превращая сон из периода пассивного отдыха в богатое диагностическое окно для долгосрочного здоровья.

Модель, известная как SleepFM, использует архитектуру фундаментальной модели (foundation model) для анализа физиологических сигналов, регистрируемых во время полисомнографии (polysomnography, PSG) — золотого стандарта в анализе сна. Обработав почти 600 000 часов архивных данных о сне, ИИ продемонстрировал беспрецедентную способность прогнозировать состояния — от сердечно-сосудистой недостаточности до неврологических расстройств, таких как деменция и болезнь Паркинсона — зачастую за годы до появления клинических симптомов.

Неиспользованный потенциал данных о сне

В течение десятилетий полисомнография (polysomnography, PSG) была основным инструментом для диагностики специфических нарушений сна, таких как апноэ сна или бессонница. Пациенты проходят мониторинг ночью в клинике, где датчики записывают широкий набор физиологических показателей, включая мозговые волны (EEG), сердечный ритм (ECG), дыхательные паттерны, движения глаз и мышечную активность. Однако традиционные методы анализа исторически отбрасывали большую часть этих данных, фокусируясь только на сигналах, непосредственно связанных с патологией сна.

Исследователи из Стэнфорда увидели в этих отброшенных данных «неиспользованную золотую жилу» общей физиологической информации. Эммануэль Миньо, MD, PhD, профессор медицины сна в Стэнфорде и со-старший автор исследования, подчеркнул, что исследования сна фиксируют уникальный снимок человеческой физиологии. По словам Миньо, данные представляют собой восьмичасовой непрерывный биомониторинг в контролируемой среде, дающий глубину понимания, с которой короткие клинические визиты не могут сравниться.

Чтобы использовать этот потенциал, команда разработала SleepFM как мультимодальную фундаментальную модель (multimodal foundation model). В отличие от традиционных моделей ИИ, обучаемых для отдельной задачи, фундаментальные модели созданы для изучения широких закономерностей на массивных наборах данных — подобно тому, как Large Language Models (Large Language Models, LLMs) типа GPT-4 учатся на тексте. SleepFM был обучен на наборе данных, включающем примерно 65 000 человек и почти 600 000 часов физиологических записей, собранных в период с 1999 по 2024 год.

Инженерия «языка сна»

Разработка SleepFM потребовала нового подхода к машинному обучению. Модель не просто ищет известные маркеры болезней; она изучает внутреннюю «грамматику» физиологии сна. Исследователи применили технику, называемую «leave-one-out contrastive learning» (leave-one-out contrastive learning). В этом процессе модели подают короткие пятиминутные фрагменты данных сна длительностью пять секунд, в которых один физиологический сигнал скрыт (например, данные о частоте сердечных сокращений скрыты). Затем ИИ ставят задачу предсказать отсутствующий сигнал на основе оставшихся потоков данных.

Этот метод обучения заставляет модель понимать глубокие, взаимосвязанные отношения между различными системами организма — как изменение активности мозга может коррелировать со сдвигом в частоте сердечных сокращений или дыхании. Овладев этими внутренними физиологическими связями, исследователи донастроили модель для прогнозирования внешних исходов здоровья.

Связав данные сна с десятилетиями электронных медицинских записей тех же пациентов, команда смогла соотнести конкретные шаблоны сна с последующим развитием хронических заболеваний. Результаты показали, что SleepFM может выявлять тонкие, субклинические подписи заболеваний, невидимые невооружённому глазу.

Беспрецедентная точность прогнозов

Прогностическая мощность SleepFM распространяется на широкий спектр медицинских областей, включая онкологию, кардиологию и неврологию. В исследовании, опубликованном в Nature Medicine, модель оценила более 1 000 категорий заболеваний и выявила 130 конкретных состояний, которые можно предсказать с высокой точностью.

Исследователи использовали конкордансный индекс (concordance index, C-index) для оценки производительности модели. C-index равный 0.8 или выше указывает на сильную прогностическую способность, то есть модель может правильно определить, у какого из двух пациентов вероятность развития заболевания выше, в 80% случаев. SleepFM достиг этого высокого порога для десятков серьёзных состояний.

Ниже приведена таблица, суммирующая прогностическую эффективность модели для нескольких ключевых заболеваний:

Эти показатели свидетельствуют о том, что SleepFM особенно хорошо выявляет риски для состояний, связанных со сложной системной дегенерацией, таких как болезнь Паркинсона и деменция. Например, высокая точность в прогнозировании болезни Паркинсона согласуется с известной медицинской литературой, связывающей нарушения сна — в частности расстройство поведения в фазе быстрого сна (REM sleep behavior disorder) — с ранней нейродегенерацией. Однако SleepFM обнаруживает эти паттерны автоматически и количественно оценивает риск с высокой точностью.

Устранение разрыва между сном и общей медициной

Последствия SleepFM выходят далеко за пределы клиники сна. Джеймс Зоу, PhD, доцент биомедицинской науки о данных и со-старший автор, отметил, что в то время как другие области медицины, такие как патология и кардиология, значительно интегрировали ИИ, медицина сна оставалась относительно изолированной. SleepFM демонстрирует, что данные сна фактически служат прокси для общего состояния здоровья.

Одним из наиболее перспективных аспектов модели является её способность использовать мультимодальные данные. Исследователи обнаружили, что комбинация всех доступных сигналов — мозговых, сердечных и дыхательных — давала наиболее точные прогнозы. Однако модель также показала, что разные заболевания оставляют разные «отпечатки» в данных сна. Сердечно-сосудистые состояния лучше всего предсказывались с использованием данных о частоте сердечных сокращений и ЭКГ, тогда как неврологические расстройства сильнее коррелировали с активностью мозговых волн.

Такая детальность позволяет применять более персонализированный подход к превентивной медицине. Пациент, проходящий рутинное исследование сна из-за храпа, потенциально может получить оценку риска сердечных заболеваний или рака, что побудит к ранним обследованиям и вмешательствам за годы до появления типичных симптомов.

Проблемы и направления будущих исследований

Несмотря на многообещающие результаты, внедрение SleepFM в клиническую практику сталкивается с несколькими препятствиями. Текущая модель опирается на высококачественные данные, получаемые посредством полисомнографии, которая требует прикрепления десятков датчиков к телу пациента. Такой уровень качества данных в настоящее время доступен только в специализированных лабораториях сна.

Тем не менее исследователи оптимистичны относительно возможности адаптации этой технологии для потребительских носимых устройств. По мере того как умные часы и кольца для отслеживания сна становятся более совершенными, они начинают фиксировать данные, приближающиеся к некоторым каналам PSG, например вариабельность сердечного ритма и движение. Если версия SleepFM сможет работать с более шумными, низкоразрешающими данными носимых устройств, это может демократизировать доступ к такого рода прогнозированию здоровья.

Кроме того, необходимо учитывать этические и приватные аспекты столь мощной предиктивной технологии. Возможность прогнозирования высокого риска деменции или смертности за годы вперёд поднимает сложные вопросы о том, как такую информацию следует сообщать пациентам и как она может повлиять на страховку или трудоустройство.

Заключение

SleepFM представляет собой парадигмальный сдвиг в том, как мы рассматриваем сон. Модель подтверждает гипотезу о том, что наша ночная пауза в сознании — это не просто перерыв, а сложное физиологическое состояние, отражающее наше общее биологическое здоровье. Расшифровывая скрытые сигналы сна, ИИ Стэнфорда открыл новую грань превентивной медицины, где хороший ночной сон однажды сможет спасти вашу жизнь.

По мере созревания технологии можно ожидать движения в сторону более целостного мониторинга здоровья, где ИИ выступает как тихий страж, анализируя пассивные данные, которые мы генерируем, чтобы защитить наше будущее благополучие. «Неиспользованная золотая жила» данных о сне наконец добывается, и сокровища, которые она хранит, могут революционизировать здравоохранение.