Een slechte nachtrust voelt vaak als een tijdelijk ongemak, maar kan ook een vroeg signaal zijn van gezondheidsproblemen die zich pas jaren later manifesteren. Onderzoekers van Stanford Medicine hebben samen met internationale partners een nieuw kunstmatig intelligentiemodel ontwikkeld dat op basis van fysiologische gegevens uit één nacht slaap het risico kan voorspellen op het ontstaan van meer dan honderd aandoeningen. Het model, SleepFM, laat zien hoe slaapdata kunnen uitgroeien tot een krachtige bouwsteen voor voorspellende en gepersonaliseerde geneeskunde.
SleepFM is getraind op bijna 600.000 uur aan polysomnografiedata, afkomstig van circa 65.000 deelnemers. Polysomnografie is de gouden standaard binnen het slaaponderzoek en registreert gedurende een nacht een breed scala aan fysiologische signalen, waaronder hersenactiviteit, hartactiviteit, ademhalingspatronen, spieractiviteit en oogbewegingen.
“We registreren tijdens slaap een enorme hoeveelheid signalen. Het is acht uur lang algemene fysiologie bij iemand die volledig gemonitord wordt. Dat maakt het extreem data-intensief”, aldus Emmanuel Mignot, hoogleraar slaapgeneeskunde aan Stanford en mede senior auteur van de studie die is gepubliceerd in Nature Medicine.
Complexe datasets
Tot op heden wordt slechts een beperkt deel van deze informatie benut in de klinische praktijk en in onderzoek. Met de opkomst van geavanceerde AI-technieken ontstaat nu de mogelijkheid om veel meer samenhang en betekenis uit deze complexe datasets te halen. SleepFM is opgezet als een zogenoemd foundation model, een type AI dat zichzelf traint op grote hoeveelheden data en die kennis vervolgens kan toepassen op uiteenlopende taken.
Waar grote taalmodellen zijn getraind op tekst, is SleepFM getraind op slaapdata. De nachtelijke metingen zijn daarbij opgedeeld in intervallen van vijf seconden, vergelijkbaar met woorden in een taalmodel. “SleepFM leert in feite de taal van slaap”, aldus mede senior auteur James Zou, hoogleraar biomedical data science.
Meerdere datastromen
Een belangrijke technische innovatie binnen het project is dat het model meerdere datastromen tegelijk kan combineren en interpreteren. Om dit mogelijk te maken ontwikkelden de onderzoekers een nieuwe trainingsmethode, waarbij telkens één type signaal tijdelijk wordt ‘verborgen’ en het model wordt uitgedaagd om dit ontbrekende onderdeel te reconstrueren op basis van de overige signalen. Zo leert het systeem hoe hersenactiviteit, hartslag, ademhaling en spieractiviteit zich tot elkaar verhouden en waar afwijkingen ontstaan.
Na de trainingsfase werd SleepFM eerst gevalideerd op bestaande klinische toepassingen, zoals het automatisch herkennen van slaapstadia en het vaststellen van de ernst van slaapapneu. Op deze taken presteerde het model minstens even goed als de huidige state-of-the-art algoritmen. Daarmee werd bevestigd dat het model slaap adequaat kan analyseren volgens bestaande klinische maatstaven.
Ziekte voorspellen tijdens de slaap
Vervolgens richtten de onderzoekers zich op een ambitieuzer doel: het voorspellen van toekomstige ziekte op basis van slaapdata. Hiervoor koppelden zij polysomnografiedata aan langetermijngezondheidsgegevens van dezelfde patiënten. Een unieke rol speelde daarbij het Stanford Sleep Medicine Center, dat sinds 1970 systematisch slaaponderzoek verricht. Voor een grote patiëntencohort, bestaande uit ongeveer 35.000 mensen van 2 tot 96 jaar, waren zowel slaapmetingen als elektronische patiëntendossiers beschikbaar, met in sommige gevallen tot 25 jaar follow-up.
SleepFM analyseerde meer dan duizend ziektecategorieën en identificeerde 130 aandoeningen waarvan het risico met redelijke tot hoge nauwkeurigheid kon worden voorspeld op basis van slaapdata. De voorspellingen waren vooral sterk voor onder meer neurologische aandoeningen zoals Parkinson en dementie, hart- en vaatziekten, diverse vormen van kanker en sterfte. De prestaties werden uitgedrukt in de zogenoemde concordance index, een veelgebruikte maat voor voorspellende modellen. Waarden boven de 0,8, zoals bij meerdere aandoeningen werd bereikt, gelden als zeer hoog in klinisch onderzoek.
Combinatie signalen doorslaggevend
Opvallend is dat niet één enkel fysiologisch signaal doorslaggevend bleek, maar juist de combinatie van verschillende signalen. Hoewel hersenactiviteit een grotere rol speelde bij voorspellingen van neurologische aandoeningen en hartsignalen bij cardiovasculaire ziekten, leverde het samenbrengen van alle datamodaliteiten de meest accurate resultaten op. Volgens Mignot zijn het vooral subtiele ontregelingen in de onderlinge samenhang die wijzen op verhoogd risico, bijvoorbeeld wanneer het brein signalen vertoont die passen bij slaap, terwijl het hart juist kenmerken van waakzaamheid laat zien.
De onderzoekers werken nu aan vervolgstappen om het model verder te verbeteren en beter te kunnen verklaren hoe voorspellingen tot stand komen. Hoewel SleepFM zijn conclusies niet in begrijpelijke taal kan toelichten, worden interpretatietechnieken ontwikkeld om inzicht te krijgen in welke patronen het model herkent bij specifieke ziekterisico’s. Ook wordt gekeken naar uitbreiding met data uit wearables, om slaapmetingen buiten het slaaplaboratorium te kunnen benutten.
SleepFM onderstreept de potentie van slaap als venster op toekomstige gezondheid. Door slaapdata te combineren met AI ontstaat een nieuw perspectief op vroegtijdige risicodetectie, nog voordat klinische symptomen zichtbaar worden. Daarmee past dit onderzoek in een bredere beweging binnen de digitale zorg, waarin continue monitoring, data-integratie en voorspellende modellen steeds centraler komen te staan in de overgang van reactieve naar proactieve en gepersonaliseerde zorg.
SleepFM onderscheid zich van andere oplossingen, al dan niet door AI-aangedreven, voor het meten en analyseren van slaapdata. Tot nu toe hebben we vooral apps en andere tools gezien die de kwaliteit van onze slaap bepalen aan de hand van data die verzameld wordt door, bijvoorbeeld, smartwatches.
Een ontwikkeling die wel in de buurt komt van SleepFM is het vorige maand beschreven onderzoek naar het volgen van slaappatronen met onopvallende wearables met als doel het vroeger kunnen detecteren van zeldzame slaapstoornissen.
Auteur
