طور فريق ستانفورد نموذج SleepFM القادر على التنبؤ بمخاطر الإصابة بأكثر من 130 حالة صحية اعتمادًا على بيانات من نوم ليلة واحدة مسجلة عن طريق تخطيط النوم.
يلتقط تخطيط النوم إشارات فسيولوجية مفصلة، مثل نشاط الدماغ والقلب والتنفس وحركات الجسم. تم تدريب SleepFM على حوالي 585000 ساعة من السجلات من أكثر من 65000 مشارك، مما سمح له بتحديد الأنماط التي تشير إلى مخاطر أمراض خطيرة مستقبلًا.
تظهر النتائج أن SleepFM يتفوق أو يعادل الأدوات الحالية في تحليل النوم التقليدي، مثل تصنيف مراحل النوم والكشف عن توقف التنفس.
تطوير نموذج SleepFM
اتبع فريق ستانفورد نهجًا نموذجيا قائماً، يشبه الأساليب المستخدمة في لغات مثل ChatGPT، لكن يطبق على البيانات الفسيولوجية.
تم التدريب باستخدام كميات هائلة من البيانات غير المصنفة، مما سمح لـ SleepFM بتعلم العلاقات العميقة بين إشارات الجسم المختلفة. الابتكار الرئيسي هو التعلم المتناقض، حيث يعيد النموذج بناء إشارة مفقودة من إشارات أخرى، مما يعزز فهمه للارتباطات بين الدماغ والقلب والتنفس.
تجمع هذه البنية بين شبكات الالتفاف لمعالجة الإشارات الزمنية ومحولات لالتقاط التبعيات الطويلة. بالإضافة إلى ذلك، تقوم آلية الانتباه اللاأدرية بالقناة بضبط الأوزان تلقائيًا عندما تكون الإشارة مفقودة أو صاخبة، مما يجعل النموذج قويًا للاستخدام في البيئات السريرية المختلفة. تتضمن مجموعة البيانات سجلات من عدة عيادات، تغطي المرضى من مختلف الأعمار.
أظهر SleepFM استقرارًا في مهام تحليل النوم، متفوقًا على النماذج التقليدية الخاضعة للإشراف من حيث الدقة.
الدقة في التنبؤ بالمرض
حدد النموذج 130 حالة يمكن التنبؤ بها بدقة معقولة من النوم ليلاً، بما في ذلك وفيات لجميع الأسباب والخرف واحتشاء عضلة القلب وفشل القلب وأمراض الكلى المزمنة والسكتة الدماغية والرجفان الأذيني. بالنسبة للكثير منهم، يتجاوز مؤشر C 0.80، مما يشير إلى قدرة قوية على تصنيف المخاطر الفردية. ظهرت أقوى التنبؤات في السرطانات ومضاعفات الحمل وأمراض الدورة الدموية والاضطرابات العقلية.
مرض باركنسون: دقة عالية في الكشف المبكر. الخرف: خطر محدد بمعدل نجاح عالٍ. النوبة القلبية: تكشف الأنماط الليلية عن نقاط ضعف القلب. سرطانات محددة: مثل البروستاتا والثدي، مع أداء جيد.
تستند هذه النتائج إلى مطابقة مع السجلات الطبية طويلة الأجل، مع الأخذ في الاعتبار فقط التشخيصات اللاحقة لفحص النوم. لا يقوم النموذج بتشخيص المخاطر بشكل مباشر، بل يقسمها إحصائيًا.
البيانات المستخدمة في التدريب
شملت SleepFM مخططات نوم من أربع مجموعات رئيسية، بما في ذلك عيادة النوم في ستانفورد، مع سجلات تعود إلى عام 1999. يتجاوز الحجم الإجمالي المجموعات المستخدمة في دراسات التعلم الآلي السابقة للنوم عدة مرات. يتراوح المشاركون من الأطفال إلى كبار السن، مما يعكس العمر والتنوع السريري.
التطبيقات السريرية العملية
يفتح SleepFM الطريق لاستخدام تخطيط النوم المتعدد خارج تشخيص اضطرابات النوم، ويحوله إلى أداة فحص صحية عامة. في العيادات، يمكن أن يساعد في التحديد المبكر لمخاطر الأمراض المزمنة، مما يسمح بالتدخلات الوقائية. تسهل المتانة في الإشارات الاختلافات في أجهزة الاستشعار التطبيق في المراكز الطبية المختلفة.
يشير الباحثون إلى أن الإشارات الليلية تكشف رؤية متكاملة للكائن الحي خلال ساعات النوم. يمكن للإصدارات المستقبلية دمج البيانات من الأجهزة القابلة للارتداء مثل الساعات الذكية، مما يوسع الوصول خارج المختبرات.
الإمكانات المستقبلية للتكنولوجيا
تشمل التطورات في SleepFM تقنيات تفسير لفهم الأنماط التي يعطيها النموذج الأولوية في التنبؤات. يمكن للتكامل مع البيانات اليومية من الأجهزة القابلة للارتداء زيادة تحسين تقديرات المخاطر. يمثل النموذج خطوة نحو مراقبة النوم المستمرة والقابلة للتطوير كمؤشر على الصحة العالمية.
