A stanfordi kutatók arra tanítottak egy mesterséges intelligenciát, hogy „tanulja meg az alvás nyelvét”, hogy megjósolja, vajon a betegeknél fennáll-e a veszélye több mint 100 betegség kialakulásának.
Egy új mesterséges intelligencia-modell meg tudja mondani, hogy egy személynél fennáll-e a kockázata több mint 100 egészségi állapot kialakulásának az alapján, hogy milyen jól alszik.
A SleepFM, a kaliforniai Stanford Egyetem kutatói által kifejlesztett nagy nyelvi modell (LLM), amely leolvassa a felhasználó agyi aktivitását, pulzusát, légzési jeleit, láb- és szemmozgását alvás közben, hogy értékelje a betegség kockázatát.
A Nature-ben megjelent új tanulmányban a kutatók 65 000 betegtől 1999-ben és 2024-ben gyűjtött több mint 580 000 órányi alvási adatok felhasználásával képezték ki az AI-modellt.
Az adatok alvási klinikáktól származnak, olyan egészségügyi intézményektől, amelyek éjszaka értékelik az alvási mintákat, és öt másodperces lépésekre bontották őket, ami úgy hatott, mint az LLM-ek számára a képzés.
„A SleepFM lényegében az alvás nyelvét tanulja meg” – mondta James Zou, a Stanfordi orvosbiológiai adatok tudományának docense és a tanulmány társszerzője.
A kutatók ezeket az adatokat kiegészítették az alvásklinika betegek egyéni egészségügyi adataival, hogy megtanítsák a SleepFM-et a jövőbeli betegségek előrejelzésére.
Az AI-modell az esetek legalább 80 százalékában igaza volt, amikor megjósolta, hogy a páciens megkapja-e a Parkinson-kórt, az Alzheimer-kórt, a demenciát, a hipertóniás szívbetegséget, a szívrohamot, a prosztatarákot és a mellrákot. Az esetek 84 százalékában helyesen jelezte előre a beteg halálát.
A modell kevésbé volt pontos a krónikus vesebetegségben, stroke-ban és szívritmuszavarban szenvedő, szabálytalan szívverésnek tekintett betegek előrejelzésében, amelyeket az esetek legalább 78 százalékában észlelt.
„Elképesztő számú (egészségügyi) jelet rögzítünk, amikor alvást tanulmányozunk” – mondta Emmanuel Mignot, a Stanfordi alvásgyógyászat professzora. „Ez egyfajta általános fiziológia, amelyet nyolc órán keresztül tanulunk egy olyan alanyon, aki teljesen fogságban van. Nagyon gazdag adat.”
A tanulmány szerzői szerint az összes adat kombinációja segített a modellnek a legpontosabb előrejelzések elérésében. Például az olyan testjelek, amelyek nem voltak szinkronban, mint például az alvó agy, de az ébren lévő szív, problémát jelentenek.
Stanford azt mondta, hogy legközelebb hordható eszközök adatait fogják hozzáadni a SleepFM adatbázisához, hogy tovább javítsák a modellek előrejelzéseit.
A kutatók azt is megjegyezték, hogy tanulmányukban csak olyan embereket vontak be, akik már meglévő egészségügyi problémákat gyanítottak az alvásklinikai vizsgálatokban való részvételük miatt, ami azt jelenti, hogy a mintájuk nem reprezentálja az AI azon képességét, hogy észleli a betegséget a lakosság körében.
)
