SleepFM: KI-Modell sagt Krankheitsrisiken auf Basis von Schlafdaten vorher

Inhaltsverzeichnis

close notice

This article is also available in English. It was translated with technical assistance and editorially reviewed before publication.

Don’t show this again.

Wissenschaftler der Stanford University haben ein neues, multimodales KI-Modell namens „SleepFM“ entwickelt. Dieses „Foundation Model“ nutzt riesige Datensätze von Schlafaufzeichnungen, um nicht nur den aktuellen Schlafzustand zu analysieren, sondern das Risiko für die Entstehung von über 130 verschiedenen medizinischen Erkrankungen vorherzusagen. Die in Nature Medicine veröffentlichte Studie zeigt auf, dass Schlafmessungen weit über die Diagnose von Schlafstörungen hinaus als wertvolles Instrument für eine allgemeine Gesundheitsbewertung dienen können.

Training einer KI auf die „Sprache des Schlafs“

In der medizinischen Fachwelt gilt die Polysomnographie (PSG) als Goldstandard der Schlafbeurteilung. Eine PSG-Aufzeichnung enthält verschiedene Signale wie Herzaktivität (Elektrokardiogramm; EKG), Hirnströme (Elektroencephalographie; EEG), Muskelbewegungen (Elektromyographie; EMG) und Atemwerte. Aufgrund der Komplexität und Menge dieser Daten befassten sich bisherige Untersuchungen meist lediglich mit der manuellen Auswertung von Schlafphasen oder der Identifizierung spezifischer Ereignisse wie Atemaussetzern.

Um die riesige Menge an Daten auszuwerten, wählten die Wissenschaftler in ihrer Studie einen Ansatz, der modernen Sprachmodellen ähnelt, die die Grundlage für KI-Anwendungen wie ChatGPT sind. Während große Sprachmodelle lernen, wie Wörter in Sätzen zusammenhängen, wurde SleepFM mit über 585.000 Stunden PSG-Daten von mehr als 65.000 Personen trainiert. Dadurch lernte das Modell die grundlegende „Physiologie des Schlafs“.

Überprüfung grundlegender Schlaffunktionen

Bevor die Forscher die Krankheitsrisiken untersuchten, validierten sie SleepFM an klassischen Aufgaben der Schlafmedizin. Dabei zeigte sich, dass die KI bei der automatischen Bestimmung von Schlafphasen eine Genauigkeit erreicht, die mit spezialisierten Expertenmodellen vergleichbar ist. Zudem ist das Modell in der Lage, das biologische Alter einer Person mit einer durchschnittlichen Abweichung von nur etwa 7,33 Jahren allein aus den Schlafdaten zu schätzen. Auch die Erkennung von Atemaussetzern wurde durch das Modell mit einer Genauigkeit von bis zu 87 Prozent erkannt.

Vorhersage von Krankheiten und Sterblichkeitsrisiko

Die beeindruckendste Fähigkeit von SleepFM liegt jedoch in der Langzeitprognose. Das Modell konnte anhand der Daten einer einzigen Nacht vorhersagen, ob ein Patient innerhalb der nächsten Jahre bestimmte Krankheiten entwickeln wird. Zur Messung nutzen Forscher den sogenannten „C-Index“; ein Standardmaß für die Vorhersagekraft. In der medizinischen Forschung gilt ein C-Index von 0,70 bis 0,80 als „gut“ und alles über 0,80 als „sehr gut“ bis „exzellent“ (Ein Wert von 1,0 ist ein perfektes Ergebnis).

„SleepFM“ konnte mit hoher Genauigkeit viele verschiedene Erkrankungen (unter anderem Herz-Kreislauf-Erkrankungen, Demenzerkrankungen, Krebserkrankungen, Stoffwechselerkrankungen) innerhalb der nächsten 6 Jahre nach der Schlafmessung berechnen.

Besonders gut war das Modell unter anderem in der Vorhersage von Alzheimer (0,91), Prostatakrebs (0,89), Herzversagen (0,80), Diabetes (0,87), sowie auch allgemeinem Sterblichkeitsrisiko (0,84).

Ein zentrales Ergebnis der Studie: SleepFM übertrifft herkömmliche Vorhersagemodelle, die lediglich auf Daten wie Alter, Geschlecht und Body-Mass-Index (BMI) basieren, deutlich. Das bedeutet, dass im Schlaf verborgene physiologische Muster existieren, die weitaus präziser über den Gesundheitszustand Auskunft geben als klassische medizinische Kennzahlen.

Überwindung von fehlender Datenstandardisierung in der Schlafmedizin

Eine der größten Herausforderungen bei der Analyse von Schlafdaten ist die mangelnde Datenstandardisierung bei der PSG. Verschiedene Kliniken verwenden eine unterschiedliche Anzahl von Sensoren und verschiedene Aufzeichnungseinstellungen. SleepFM verwendet eine„kanal-agnostische“ Architektur und einen neuartigen „Leave-one-out“-Ansatz für das KI-Training, bei dem verschiedene Signale der PSG (Herz, Gehirn, Atmung) verwendet werden. Dadurch kann das Modell auch dann zuverlässige Ergebnisse liefern, wenn einzelne Sensoren fehlen oder die Datenqualität schwankt.

Um die Zuverlässigkeit des Modells zu untersuchen, testeten die Forscher SleepFM auch an völlig neuen Datensätzen, die nicht im Training enthalten waren. Auch hier blieb die Vorhersagekraft stabil, was zeigt, dass das Modell in verschiedenen Umgebungen einsetzbar ist.

Mögliche Bedeutung für die Präventivmedizin

In Schlafmessungen können also viele wertvolle Daten für den allgemeinen Gesundheitszustand und Krankheitsrisiken erhoben werden, die nun auch mittels KI interpretiert werden können. In Zukunft könnten Schlafstudien daher beispielsweise für die routinemäßige Gesundheitsvorsorge verwendet werden. Durch das Erkennen früher „Warnsignale“ für Demenz, Herz-Kreislauf-Erkrankungen oder Krebs könnten rechtzeitig Abklärungen erfolgen, möglicherweise Jahre bevor Symptome auftreten.

Mit der Weiterentwicklung von Wearables (wie Smartwatches) könnten die die Erkenntnisse aus KI-Modellen wie SleepFM in Zukunft sogar den Weg aus dem Schlaflabor in den Alltag finden. Dies würde eine kontinuierliche, nicht-invasive Gesundheitsüberwachung ermöglichen.

Die Wissenschaftler kommen zu dem Schluss, dass ihr Ansatz einen skalierbaren Weg aufzeigt zu einer personalisierten, präventiven Gesundheitsversorgung, bei dem Schlaf als Grundlage zur Beurteilung von Krankheitsrisiken verwendet werden kann.

(mack)