Ένα καινοτόμο μοντέλο τεχνητής νοημοσύνης που ανέπτυξαν ερευνητές της Ιατρική Σχολή του Στάνφορντ στις Ηνωμένες Πολιτείες αξιοποιεί δεδομένα από μόλις μία νύχτα ύπνου, προκειμένου να προβλέψει τον κίνδυνο εμφάνισης περισσότερων από 100 διαφορετικών παθήσεων.

Το μοντέλο, με την ονομασία SleepFM, εκπαιδεύτηκε σε περίπου 600.000 ώρες δεδομένων ύπνου που προήλθαν από 65.000 συμμετέχοντες. Τα δεδομένα αυτά βασίζονται στην πολυυπνογραφία, μια εξειδικευμένη διαγνωστική εξέταση που καταγράφει φυσιολογικές λειτουργίες του οργανισμού κατά τη διάρκεια του ύπνου και χρησιμοποιείται ευρέως για τη διάγνωση διαταραχών.

Κατά την πολυυπνογραφική μελέτη, αισθητήρες καταγράφουν εγκεφαλική δραστηριότητα, καρδιακή λειτουργία, αναπνοή, κινήσεις ματιών και άκρων, καθώς και πλήθος άλλων παραμέτρων που αποτυπώνουν τη συνολική φυσιολογία του ανθρώπινου σώματος.

Η πολυυπνογραφία θεωρείται το «χρυσό πρότυπο» στις εργαστηριακές μελέτες ύπνου που πραγματοποιούνται κατά τη διάρκεια της νύχτας. Όπως διαπίστωσαν οι ερευνητές, τα δεδομένα που παράγει συνιστούν ταυτόχρονα ένα ανεκμετάλλευτο απόθεμα βιολογικών πληροφοριών.

«Κατά τη μελέτη του ύπνου καταγράφουμε έναν εντυπωσιακό αριθμό σημάτων», δήλωσε ο Εμανουέλ Μινιό, καθηγητής Ιατρικής του Ύπνου και συν-επικεφαλής συγγραφέας της μελέτης, η οποία δημοσιεύθηκε στο επιστημονικό περιοδικό Nature Medicine.
«Μελετάμε για οκτώ ώρες τη γενική φυσιολογία ενός ανθρώπου που είναι πλήρως προσβάσιμη. Τα δεδομένα είναι εξαιρετικά πλούσια», πρόσθεσε.

Παρόλα αυτά, σήμερα αξιοποιείται μόνο ένα μικρό ποσοστό αυτών των δεδομένων τόσο στην έρευνα όσο και στην κλινική πράξη. Με την πρόοδο της τεχνητής νοημοσύνης, καθίσταται πλέον δυνατή η ανάλυση πολύ μεγαλύτερου μέρους τους. Η συγκεκριμένη μελέτη είναι η πρώτη που εφαρμόζει τεχνητή νοημοσύνη στην ανάλυση δεδομένων ύπνου σε τόσο μεγάλη κλίμακα.

Μαθαίνοντας τη «γλώσσα» του ύπνου

Για να διαχειριστούν τον τεράστιο όγκο πληροφοριών, οι ερευνητές ανέπτυξαν ένα foundation model – έναν τύπο μοντέλου τεχνητής νοημοσύνης που μπορεί να εκπαιδεύεται αυτόνομα σε τεράστιες ποσότητες δεδομένων και να εφαρμόζει τις γνώσεις του σε διαφορετικές εργασίες. Αντίστοιχη τεχνολογία χρησιμοποιούν και τα μεγάλα γλωσσικά μοντέλα, όπως το ChatGPT.

Οι 585.000 ώρες πολυυπνογραφικών δεδομένων που χρησιμοποιήθηκαν για την εκπαίδευση του SleepFM προέρχονταν από ασθενείς που είχαν εξεταστεί σε κλινικές ύπνου. Τα δεδομένα χωρίστηκαν σε τμήματα διάρκειας πέντε δευτερολέπτων, τα οποία λειτουργούν αντίστοιχα με τις «λέξεις» που χρησιμοποιούνται στην εκπαίδευση των γλωσσικών μοντέλων.

«Ουσιαστικά, το SleepFM μαθαίνει τη γλώσσα του ύπνου», εξήγησε ο Τζέιμς Ζου, αναπληρωτής καθηγητής βιοϊατρικής επιστήμης δεδομένων και συν-επικεφαλής της μελέτης.

Το μοντέλο συνδύασε πολλαπλές ροές δεδομένων, όπως ηλεκτροεγκεφαλογραφήματα, ηλεκτροκαρδιογραφήματα, ηλεκτρομυογραφήματα, παλμικές μετρήσεις και ροή αέρα, κατανοώντας πώς αλληλεπιδρούν μεταξύ τους.

Για να επιτευχθεί αυτό, οι ερευνητές ανέπτυξαν μια νέα μέθοδο εκπαίδευσης, γνωστή ως leave-one-out contrastive learning, κατά την οποία μία κατηγορία δεδομένων «αποκρύπτεται» και το μοντέλο καλείται να την ανασυνθέσει με βάση τις υπόλοιπες πληροφορίες.

«Μία από τις βασικές τεχνικές καινοτομίες αυτής της έρευνας ήταν το πώς θα εναρμονίσουμε όλες αυτές τις διαφορετικές μορφές δεδομένων ώστε να μάθουν την ίδια “γλώσσα”», ανέφερε ο Ζου.

Τι είναι η πολυυπνογραφία και γιατί θεωρείται «χρυσό πρότυπο»

Η πολυυπνογραφία είναι μια εξειδικευμένη διαγνωστική εξέταση που καταγράφει πολλαπλές βιολογικές λειτουργίες κατά τη διάρκεια του ύπνου.
Χρησιμοποιείται κυρίως για τη διάγνωση διαταραχών ύπνου, όπως η υπνική άπνοια, αλλά τα δεδομένα της έχουν πολύ ευρύτερη ιατρική αξία.

Κατά την εξέταση καταγράφονται μεταξύ άλλων:

• η εγκεφαλική δραστηριότητα (EEG)

• ο καρδιακός ρυθμός και η καρδιακή λειτουργία (ECG)

• η αναπνοή και η ροή αέρα

• οι κινήσεις ματιών και άκρων

• τα επίπεδα οξυγόνου στο αίμα

Η πολυυπνογραφία πραγματοποιείται συνήθως σε εργαστηριακό περιβάλλον και θεωρείται το πιο αξιόπιστο εργαλείο μελέτης του ύπνου, καθώς αποτυπώνει τη συνολική φυσιολογία του οργανισμού σε πραγματικό χρόνο.

Ύπνος και πρόβλεψη ασθενειών

Μετά την εκπαίδευση, οι ερευνητές βελτιστοποίησαν το SleepFM για διαφορετικές εφαρμογές. Αρχικά, το δοκίμασαν σε κλασικές εργασίες ανάλυσης ύπνου, όπως η ταξινόμηση των σταδίων ύπνου και η εκτίμηση της σοβαρότητας της υπνικής άπνοιας. Το μοντέλο απέδωσε εξίσου καλά ή και καλύτερα από τα πιο εξελιγμένα εργαλεία που χρησιμοποιούνται σήμερα.

Στη συνέχεια, η ομάδα έθεσε έναν πιο φιλόδοξο στόχο: να προβλέψει τη μελλοντική εμφάνιση ασθενειών με βάση δεδομένα ύπνου. Για τον σκοπό αυτό, συνέκρινε τις πολυυπνογραφικές καταγραφές με τα ιατρικά αρχεία υγείας των ίδιων συμμετεχόντων, έχοντας πρόσβαση σε δεδομένα που καλύπτουν περισσότερα από 50 χρόνια.

Για την εκπαίδευση χρησιμοποιήθηκαν δεδομένα από περίπου 35.000 ασθενείς, ηλικίας 2 έως 96 ετών, που εξετάστηκαν μεταξύ 1999 και 2024. Τα στοιχεία αυτά αντιπαραβλήθηκαν με ηλεκτρονικά αρχεία υγείας, τα οποία σε ορισμένες περιπτώσεις κάλυπταν παρακολούθηση έως και 25 ετών.

Το SleepFM ανέλυσε περισσότερες από 1.000 κατηγορίες παθήσεων και διαπίστωσε ότι 130 από αυτές μπορούσαν να προβλεφθούν με ικανοποιητική ακρίβεια αποκλειστικά από δεδομένα ύπνου. Ιδιαίτερα υψηλή ήταν η ακρίβεια για καρκίνους, επιπλοκές εγκυμοσύνης, καρδιαγγειακές παθήσεις και ψυχικές διαταραχές, με δείκτη C άνω του 0,8.

Ο δείκτης C (concordance index) αποτελεί μέτρο προγνωστικής ακρίβειας και δείχνει πόσο αποτελεσματικά ένα μοντέλο προβλέπει ποιο από δύο άτομα θα εμφανίσει πρώτο ένα συγκεκριμένο συμβάν.

Ενδεικτικά, το SleepFM πέτυχε:

• Νόσο Πάρκινσον: 0,89

• Άνοια: 0,85

• Υπερτασική καρδιοπάθεια: 0,84

• Έμφραγμα: 0,81

• Καρκίνο προστάτη: 0,89

• Καρκίνο μαστού: 0,87

• Θνησιμότητα: 0,84

«Μας εξέπληξε θετικά το γεγονός ότι το μοντέλο μπορεί να παρέχει ουσιαστικές προβλέψεις για ένα τόσο ευρύ φάσμα παθήσεων», σχολίασε ο Ζου.

Προσπάθεια ερμηνείας των αποτελεσμάτων

Η ερευνητική ομάδα εργάζεται πλέον για τη βελτίωση της προγνωστικής ικανότητας του SleepFM, ενδεχομένως με την ενσωμάτωση δεδομένων από φορετές συσκευές, καθώς και για την κατανόηση του τρόπου με τον οποίο το μοντέλο καταλήγει στις προβλέψεις του.

«Το μοντέλο δεν μας εξηγεί άμεσα τα συμπεράσματά του», σημείωσε ο Ζου. «Ωστόσο, έχουμε αναπτύξει τεχνικές ερμηνείας που μας επιτρέπουν να κατανοήσουμε τι ακριβώς “βλέπει” όταν κάνει μια πρόβλεψη».

Οι ερευνητές επισημαίνουν ότι, παρότι τα καρδιακά σήματα παίζουν μεγαλύτερο ρόλο στην πρόβλεψη καρδιοπαθειών και τα εγκεφαλικά σήματα στις ψυχικές διαταραχές, η συνδυαστική ανάλυση όλων των δεδομένων παρείχε την υψηλότερη ακρίβεια.

«Τις πιο πολύτιμες πληροφορίες τις αντλήσαμε από την αντίθεση μεταξύ των διαφορετικών καναλιών», ανέφερε ο Μινιό.

Χαρακτηριστικό παράδειγμα αποτελεί η ασυμφωνία μεταξύ εγκεφάλου και καρδιάς – όταν ο εγκέφαλος εμφανίζεται να κοιμάται, αλλά η καρδιά παραμένει σε κατάσταση εγρήγορσης. Το μοτίβο αυτό φάνηκε να λειτουργεί ως προειδοποιητικό σήμα για μελλοντικούς κινδύνους υγείας.