Decenijama su se ljekari oslanjali na simptome, kliničke preglede i medicinsku istoriju kako bi procijenili rizik od bolesti. Međutim, novo istraživanje pokazuje da signali koje tijelo emituje tokom samo jedne noći sna mogu pružiti jednako vrijedne, pa čak i preciznije uvide.
Istraživači sa Stanford Medicine u Sjedinjenim Američkim Državama razvili su novi model vještačke inteligencije (AI) koji može predvidjeti rizik od razvoja više od 100 zdravstvenih stanja koristeći fiziološke podatke prikupljene tokom jedne noći spavanja.
SleepFM: AI model treniran na stotinama hiljada sati sna
Osnovni AI model, nazvan SleepFM, treniran je na gotovo 600.000 sati snimljenih podataka o snu prikupljenih od oko 65.000 učesnika. Prema blogu Stanford Medicine objavljenom 6. januara, baza podataka obuhvata širok spektar signala, uključujući moždanu aktivnost, rad srca, disanje, pokrete očiju i nogu, kao i druge fiziološke parametre koje tokom noći bilježe različiti senzori.
Iako upotreba AI alata za predviđanje bolesti nije novost, SleepFM je među prvim modelima koji se fokusira isključivo na analizu sna kako bi došao do dugoročnih zdravstvenih prognoza.
Zašto je san važan, a nedovoljno istražen
„Sa stanovišta vještačke inteligencije, san je relativno slabo istražen“, izjavio je dr Džejms Zou, vanredni profesor biomedicinskih nauka o podacima na Stanfordu i jedan od autora studije. „Postoji mnogo AI istraživanja u patologiji i kardiologiji, ali znatno manje u oblasti sna, iako je san ključan dio našeg života.“
Dr Emanuel Minjo, koautor studije pod nazivom „Multimodalni temeljni model sna za predviđanje bolesti“, objavljene u časopisu Nature Medicine, naglasio je bogatstvo podataka koji se dobijaju tokom istraživanja sna. „Tokom osam sati sna bilježimo izuzetno veliki broj signala kod osobe koja je praktično nepomična. To je izuzetno bogat izvor podataka“, rekao je Minjo.
AI u zdravstvu i rastuće zabrinutosti
Ovo istraživanje dolazi u trenutku kada AI kompanije sve snažnije ulaze u zdravstveni sektor, nudeći specijalizovane alate i usluge. Nedavno je OpenAI predstavio „ChatGPT for Health“, dok je Anthropic lansirao sličnu platformu pod nazivom „Claude for Healthcare“.
Ipak, sve šira primjena AI tehnologija u zdravstvu pokrenula je i pitanja privatnosti podataka, kao i zabrinutost zbog tzv. „halucinacija“ — situacija u kojima AI sistemi mogu proizvesti netačne ili obmanjujuće medicinske informacije.
Kako su prikupljani i obrađivani podaci
Za treniranje modela SleepFM, istraživači su koristili polisomnografiju 35.000 pacijenata starosti od dvije do 96 godina. Podaci su prikupljani u Stanfordovoj klinici za poremećaje spavanja u periodu od 1999. do 2024. godine.
Ukupno je prikupljeno oko 585.000 sati podataka o snu, koji su povezani sa elektronskim zdravstvenim kartonima pacijenata. Snimci sna podijeljeni su u segmente od po pet sekundi, slično načinu na koji veliki jezički modeli obrađuju tekst u manjim jedinicama tokom obuke.
Precizna predviđanja za ozbiljne bolesti
Nakon osnovne obuke, SleepFM je dodatno prilagođen za različite zadatke. Prvo je testiran na standardnim analizama sna, poput određivanja faza sna i procjene težine apneje u snu.
Zatim su istraživači prešli na ambiciozniji cilj — predviđanje budućeg rizika od bolesti na osnovu podataka o snu. Analizom više od 1.000 vrsta oboljenja, model je pokazao sposobnost da sa solidnom preciznošću predvidi 130 bolesti.
Za bolesti poput različitih vrsta karcinoma, komplikacija u trudnoći, bolesti krvotoka i mentalnih poremećaja, SleepFM je postigao prosječni C-indeks veći od 0,8. C-indeks mjeri koliko dobro model može predvidjeti koja će od dvije osobe prije razviti određeno zdravstveno stanje.
SleepFM je ostvario C-indeks od 0,89 za Parkinsonovu bolest i rak prostate, 0,87 za rak dojke, 0,85 za demenciju, 0,84 za hipertenzivnu bolest srca i smrtnost, te 0,81 za srčani udar.
Šta slijedi za SleepFM
Istraživački tim planira dodatno unaprijediti tačnost modela uključivanjem podataka sa nosivih uređaja, poput pametnih satova i fitness narukvica. Takođe, potrebna su dodatna istraživanja kako bi se tačno razumjelo koje obrasce i signale model koristi pri donošenju zaključaka.
„Model nam ne objašnjava svoje odluke ljudskim jezikom“, rekao je Zou. „Ali razvili smo posebne metode interpretacije koje nam pomažu da shvatimo na šta se fokusira kada predviđa određenu bolest.“
