Nový pohled na spánek: Umělá inteligence odhaluje riziko onemocnění
Výzkumníci ze Stanford Medicine vyvinuli model umělé inteligence (AI), který dokáže předvídat riziko vzniku více než stovky onemocnění na základě dat získaných z jediné noci spánku. Tento model, nazvaný SleepFM, mění dosavadní vnímání spánku z pouhého odpočinku na významný biologický signál, který může ovlivnit přístup k prevenci a porozumění procesům stárnutí.
SleepFM byl trénován na téměř 600 000 hodinách spánkových dat od přibližně 65 000 osob. Tato data byla shromážděna pomocí polysomnografie, což je noční spánkový test, který zaznamenává mozkovou aktivitu, srdeční rytmy, dýchání, svalovou aktivitu a pohyby očí. Polysomnografie se tradičně používá k diagnostice spánkových poruch, jako je spánková apnoe. Velká část jejích dat však zůstávala nevyužita.
Dr. Emmanuel Mignot, profesor spánkové medicíny na Stanfordu a spoluautor studie, podotýká, že během spánkových studií se zaznamenává značné množství signálů. Tyto signály představují druh všeobecné fyziologie, která je studována po dobu osmi hodin u subjektu, který je v podstatě v zajetí, a jsou velmi bohaté na data. Po desetiletí tak spánkové kliniky shromažďovaly jedny z nejkomplexnějších snímků lidské fyziologie, aniž by plně chápaly potenciál těchto signálů.
Pro využití tohoto potenciálu vytvořili výzkumníci SleepFM jako základní model umělé inteligence. Jedná se o typ AI, který je trénován na rozsáhlých datových souborech k rozpoznávání vzorů a vztahů. Podobně jako rozsáhlé jazykové modely se učí gramatice a významu z textu, SleepFM se učí „gramatice“ spánku. Model rozděluje spánek na pěti sekundové segmenty a analyzuje interakci různých signálů během noci – například jak se zpomaluje mozek, jak reaguje srdce a jak se mění dýchání. Dr. James Zou, docent ze Stanfordu a další spoluautor studie, vysvětluje, že SleepFM v podstatě ovládá jazyk spánku.
Důležitou inovací bylo donucení modelu, aby porozuměl propojením mezi tělesnými systémy. V případech, kdy chyběl jeden datový proud, například srdeční aktivita, AI jej musela rekonstruovat z ostatních signálů. To model naučilo nejen pozorovat, ale také odvozovat, jak se systémy těla běžně pohybují dohromady.
Po fázi tréninku byl SleepFM testován na známých úlohách, jako je identifikace spánkových fází a posuzování závažnosti spánkové apnoe. V těchto úlohách dosáhl srovnatelných nebo lepších výsledků než současné nástroje. Následně výzkumníci propojili spánková data s dlouhodobými lékařskými záznamy, některé z nich pokrývaly 25 let, a zkoumali, zda jedna noc spánku může předpovědět budoucí onemocnění.
Z více než tisíce kategorií onemocnění SleepFM identifikoval 130 stavů, které bylo možné předpovědět s významnou přesností. Nejsilnější predikce se objevily u rakovin, oběhových onemocnění, těhotenských komplikací a duševních poruch. Model si obzvláště dobře vedl u Parkinsonovy nemoci, demence, srdečního infarktu, hypertenzní srdeční choroby a několika typů rakoviny, včetně rakoviny prsu a prostaty. V mnoha případech správně určil, kdo onemocnění rozvine dříve, s přesností přibližně 80 % nebo více. Dr. Zou zmínil, že schopnost modelu zůstat prediktivní za různých okolností byla příjemným zjištěním.
Jedním z nejvýznamnějších poznatků nebylo zjištění o jediném signálu. Riziko onemocnění se projevilo v nesouladu, kdy tělesné systémy přestaly vykazovat shodné vzorce. Dr. Mignot uvádí, že nejvíce informací pro předpovídání onemocnění získali kontrastováním různých kanálů. Například mozek, který se jeví hluboce spící, zatímco srdce se chová, jako by bylo vzhůru, může signalizovat základní stres nebo dysfunkci.
Tento poznatek má význam pro oblast dlouhověkosti. Stárnutí zřídka spočívá v selhání jednoho orgánu izolovaně. Často se jedná o narušení koordinace, kdy se systémy dostávají z rytmu dlouho předtím, než je diagnostikována nemoc.
SleepFM neslouží k diagnostice onemocnění a není určen k nahrazení lékařů. Ukazuje však na budoucnost, kde se spánek stává dlouhodobým ukazatelem zdraví, nikoli jen denním zvykem k optimalizaci. Jelikož je spánek neinvazivní, opakovatelný a již široce měřený, mohl by se stát účinným nástrojem pro včasné odhalení rizika, zejména v kombinaci s nositelnými zařízeními a dlouhodobým sledováním. Výzkumníci v současné době zkoumají, jak by dodatečná data mohla zpřesnit předpovědi a jak lépe interpretovat, co model „vidí“. Dr. Zou vysvětluje, že i když systém nesděluje své zdůvodnění v běžném jazyce, vyvinuli specializované techniky k určení, co model analyzuje.
Závěrem, spánek, dříve vnímaný jako pasivní odpočinek, se ukazuje jako aktivní záznam toho, jak dobře nebo špatně tělo stárne. To naznačuje, že v datech z našich nocí může být obsažena cesta k delšímu a zdravějšímu životu.