Одна беспокойная ночь обычно ассоциируется лишь с усталостью и рассеянностью на следующий день. Однако новые данные показывают, что ночной сон может скрывать сигналы заболеваний, которые проявятся только спустя годы. Анализ физиологических показателей во сне способен рассказать о состоянии организма больше, чем считалось ранее. Об этом сообщает EarthSnap.
Во время сна тело не отключается, а, наоборот, демонстрирует сложную и согласованную работу множества систем. Активность мозга, ритм сердца, дыхание, мышечные сокращения и движения формируют подробную картину физиологии человека. Именно эти сигналы стали основой для нового подхода к прогнозированию здоровья.
Исследователи из Stanford Medicine разработали модель искусственного интеллекта SleepFM, которая анализирует ночные данные сна и оценивает риск развития будущих заболеваний. В одном из тестов система смогла связать одну ночь сна с вероятностью более чем ста различных состояний здоровья.
SleepFM обучался на почти 600 тысячах часов полисомнографии — подробных исследований сна примерно 65 тысяч человек. Полисомнография фиксирует электроэнцефалограмму, сердечный ритм, дыхание, мышечную активность, насыщение крови кислородом и другие параметры.
По словам профессора медицины сна Эммануэля Миньо, такие исследования содержат огромный объём информации, который раньше был недоступен для полноценного анализа. Человек и стандартные алгоритмы могли интерпретировать лишь небольшую часть этих данных, тогда как ИИ способен выявлять сложные закономерности сразу в нескольких системах организма.
До недавнего времени искусственный интеллект активно применялся в радиологии и кардиологии, тогда как сон оставался сравнительно малоизученной областью. Между тем он находится на пересечении работы мозга, обмена веществ, дыхательной и сердечно-сосудистой систем.
Команда выбрала стратегию фундаментальной модели. Вместо узкой задачи они обучили SleepFM распознавать общие паттерны сна, чтобы затем адаптировать систему к конкретным медицинским прогнозам.
SleepFM обучался по принципу больших языковых моделей, но вместо слов использовал фрагменты физиологических сигналов. Записи сна разбивались на пятисекундные сегменты, что позволяло анализировать целые ночи как последовательности событий.
Модель одновременно учитывала данные ЭЭГ, ЭКГ, электромиографии, пульса и воздушного потока. В процессе обучения отдельные каналы временно скрывались, и система училась восстанавливать их на основе остальных сигналов, что помогло понять взаимосвязь между системами организма.
Перед прогнозированием заболеваний исследователи убедились, что модель надёжно справляется с базовыми задачами. SleepFM успешно классифицировал стадии сна и оценивал тяжесть апноэ, показывая результаты на уровне или выше существующих решений.
Это подтвердило, что модель не просто подстраивается под шум, а действительно улавливает физиологические закономерности.
Следующим шагом стало сопоставление данных сна с долгосрочными медицинскими исходами. Для этого использовали архивы Стэнфордского центра медицины сна, основанного в 1970 году. В анализ вошли данные около 35 тысяч пациентов в возрасте от 2 до 96 лет с последующим наблюдением до 25 лет.
SleepFM проанализировал более тысячи категорий заболеваний и выявил 130 состояний, риск которых можно было предсказать только по данным сна.
Наиболее уверенные результаты были получены для онкологических заболеваний, осложнений беременности, сердечно-сосудистых и психических расстройств. Для этих групп C-индекс модели превышал 0,8, что указывает на высокую способность правильно ранжировать людей по уровню риска.
Модель показала хорошие результаты для болезни Паркинсона, деменции, гипертонической болезни сердца, инфаркта, рака простаты и молочной железы, а также общей смертности.
Несмотря на высокую точность, исследователи продолжают изучать интерпретацию прогнозов. Наиболее информативными оказались не отдельные сигналы, а несоответствия между ними.
По словам Миньо, важные подсказки возникают, когда системы организма работают несинхронно. Например, мозг может демонстрировать признаки глубокого сна, тогда как сердце ведёт себя так, будто организм бодрствует. Такие расхождения могут указывать на скрытые проблемы задолго до появления симптомов.
Метод позволяет использовать уже существующие исследования сна для долгосрочного прогноза здоровья и выявлять риски на ранней стадии. Однако модель пока не объясняет свои выводы простым языком и требует дальнейшей проверки на разных популяциях.
Использовать полисомнографию не только для диагностики нарушений сна.
Сопоставлять данные сна с долгосрочными медицинскими наблюдениями.
Анализировать взаимодействие разных физиологических систем.
Дополнять клинические данные информацией с носимых устройств.
Можно ли заменить анализы одним исследованием сна?
Нет, сон может дополнить диагностику, но не заменить её полностью.
Подходит ли метод для здоровых людей?
Да, именно у внешне здоровых людей он может выявлять скрытые риски.
Когда такие системы появятся в клиниках?
После дополнительных исследований, проверки безопасности и клинической валидации.