Novi AI-model nosi naziv SleepFM i treniran je na stotinama hiljada sati podataka o snu. Razvijen je u timu koji je predvodio Rahul Tapa, biomedicinski naučnik za podatke sa Univerziteta Stanford.
Kako AI uči da „čita“ sanIspitivanje i mjerenje sna u laboratoriji za spavanje naziva se polisomnografija. Tom prilikom se istovremeno beleže moždani talasi, srčana aktivnost, disanje, mišićna napetost, kao i pokreti očiju i nogu. Za SleepFM tim je koristio oko 585.000 sati takvih zapisa od približno 65.000 osoba iz više grupa, uglavnom iz Stanford centra za medicinu spavanja.
Tokom pripremnog treninga, AI je učila kako su signali mozga, srca i disanja usklađeni tokom normalnog sna. Na taj način, model statistički usvaja neku vrstu „jezika sna“.
Od signala sna do prognoze bolestiNakon ovog osnovnog treninga, SleepFM je dodatno prilagođen zadacima kao što su prepoznavanje faza sna i dijagnostika apneje u snu, pri čemu postiže rezultate koji su konkurentni etabliranim metodama poput U-Sleep ili YASA.
Ova dva programa koriste podatke dobijene snimanjem moždanih talasa (EEG) i pomažu istraživačima da prepoznaju i analiziraju faze sna.
Zatim su istraživači povezali podatke o snu sa elektronskim zdravstvenim kartonima koji obuhvataju period do 25 godina unazad i provjerili koje se kasnije dijagnoze mogu predvidjeti na osnovu samo jedne noći merenja.
Iz više od 1.000 kategorija, model je identifikovao 130 bolesti čiji se rizik mogao prognozirati sa najmanje umerenom do visokom tačnošću. Prvi autor Rahul Tapa dodatno naglašava da pristup pokazuje „da rutinska merenja sna otvaraju do sada potcijenjen prozor u dugoročno zdravlje čovjeka“.
Posebno uspješna bila je prognoza za demenciju, Parkinsonovu bolest, srčani udar, srčanu insuficijenciju, određene vrste raka, kao i ukupnu smrtnost. „U principu, AI-model se može trenirati za veoma mnogo mogućih prognoza, pod uslovom da za to postoji odgovarajuća baza podataka“, kaže Sebastijan Bušjeger, stručnjak za san sa Instituta Lamar Tehničkog univerziteta Dortmund, koji nije učestvovao u studiji.
Šta AI traži u tijelu tokom snaAnaliza pokazuje da srčani signali posebno mnogo doprinose predviđanju kardiovaskularnih bolesti, dok su moždani signali važniji za neurološke i psihičke poremećaje. Najinformativnija je, međutim, kombinacija različitih signala – na primjer, kada EEG pokazuje stabilno stanje sna, dok srce djeluje više „budno“.
Takve protivrečnosti između mozga i srca mogle bi ukazivati na skrivene opterećenja ili rane procese bolesti, mnogo prije nego što simptomi postanu uočljivi. „Ako kolege iz medicine spavanja imaju sumnju na određenu povezanost, mi iz oblasti AI to možemo pretočiti u prognostički sistem – a istovremeno ukazati na to gdje bi mogle postojati veze“, kaže Bušjeger.
„Veze koje mi isporučujemo uglavnom su statističke prirode. Uzročnu povezanost moraju da potvrde stručnjaci“, naglasio je stručnjak za spavanje iz Dortmunda u pisanom odgovoru za DW.
Koliko su pouzdani laboratorijski podaci?Osnova modela su prvenstveno podaci iz laboratorija za spavanje, dakle od ljudi koji su najčešće upućeni na lečenje zbog problema sa snom i koji žive u bogatijim regionima sa pristupom visokotehnološkoj medicini. Iako istraživači integrišu više američkih i evropskih grupa, takozvanih kohorti, model se dodatno testira u nezavisnoj studiji. Ipak, ljudi bez tegoba sa snom ili iz slabije zdravstveno zbrinutih regiona svijeta ostaju nedovoljno zastupljeni.
Šanse i ograničenja za dijagnostiku i terapijuIstraživači izričito naglašavaju da SleepFM ne otkriva uzroke bolesti, već korelacije: on prepoznaje statističke obrasce u snu koji bi mogli biti povezani sa kasnijim dijagnozama.
„Većina AI-metoda ne uči uzročne veze“, objašnjava informatičar Matijas Jakobs sa Tehničkog univerziteta Dortmund, koji istražuje AI i metode mašinskog učenja (ML) za analizu podataka o snu i nije učestvovao u studiji.
ML-metode su računski postupci pomoću kojih računari uče da u ponuđenim podacima prepoznaju obrasce i donose predviđanja, bez potrebe da svako pravilo bude eksplicitno programirano.
Uprkos tome, Jakobs vidi „potencijal za dijagnostiku i terapiju, čak i ako se koriste isključivo statističke veze“.
AI pomaže čoveku, ali ga ne zamenjujeModeli poput SleepFM-a sažimaju ogromne količine podataka iz polisomnografije u takozvane „ugradnje“ (embeddings), odnosno kompaktne numeričke reprezentacije koje omogućavaju bržu i često precizniju analizu. „Faze sna ili apneje mogu se tako efikasno zabeležiti – što je ručno veoma dugotrajan posao podložan greškama. Time ostaje više vremena ljekarima za pacijente“, kaže Jakobs.
Stručnjak za spavanje Bušjeger istovremeno naglašava da je ključna interdisciplinarna saradnja: „AI se može dobro istrenirati za planiranje terapije, ali čovek tumači rezultate i bira terapiju, često i bez potpunog poznavanja svih uzroka.“
Tako AI ostaje alat i sistem ranog upozorenja – odgovornost za dijagnozu i lečenje i dalje je na medicinskom osoblju.
Da li i u kojoj mjeri pronađeni obrasci ukazuju na osnovne biološke mehanizme još uvijek je otvoreno pitanje, ali upravo tu istraživači vide veliki potencijal.
Ako se određeni signalni profili u snu iznova povezuju sa pojedinačnim bolestima, oni bi mogli pružiti naznake o tome koji procesi u nervnom, kardiovaskularnom ili imunološkom sistemu rano gube ravnotežu – i time omogućiti zaključke o zdravlju ljudi i izvan dosadašnjih kohorti laboratorija za spavanje.
