یک شب بدخوابی میتواند باعث مهآلود شدن ذهن در کل روز شود. اما پژوهش جدیدی نشان میدهد که حتی یک شب خواب ممکن است سرنخهایی از بیماریها و اختلالاتی در خود داشته باشد که سالها بعد و بدون علامتهای واضح بروز میکنند. اکنون یک ابزار نوین مبتنی بر هوش مصنوعی قادر است با تحلیل الگوهای خواب شبانه، خطر ابتلا به بیش از ۱۰۰ بیماری آینده را پیشبینی کند.
هوش مصنوعی که بیماریها را از روی خواب پیشبینی میکند
در یکی از آزمایشها، یک سیستم هوش مصنوعی با استفاده از سیگنالهای فیزیولوژیک ثبتشده در طول خواب شبانه، توانست ریسک ابتلای افراد به بیش از ۱۰۰ وضعیت سلامت آینده را برآورد کند.
این مدل که SleepFM نام دارد، توسط پژوهشگران دانشکده پزشکی دانشگاه استنفورد و همکاران آنها توسعه یافته است.
SleepFM با استفاده از حدود ۶۰۰ هزار ساعت داده پلیسومنوگرافی مربوط به نزدیک به ۶۵ هزار نفر آموزش داده شده است. پلیسومنوگرافی همان مطالعه کامل خواب شبانه است که فعالیت مغز، قلب، تنفس، حرکت عضلات و شاخصهای دیگر را ثبت میکند.
استخراج دادههای پنهان با SleepFM
پلیسومنوگرافی معمولاً بهعنوان یک ابزار بالینی استفاده میشود: مراحل خواب نمرهدهی میشوند، آپنه خواب بررسی میشود و کار تمام. اما تیم پژوهشی معتقد است این فقط بخش کوچکی از اطلاعاتی است که این دادهها در خود دارند.
«وقتی خواب را مطالعه میکنیم، تعداد شگفتانگیزی سیگنال ثبت میشود. در واقع ما هشت ساعت فیزیولوژی کلی یک فرد را بررسی میکنیم، آن هم در شرایطی که کاملاً در اختیار مطالعه است. این دادهها فوقالعاده غنی هستند.»
امانوئل مینیو، استاد پزشکی خواب دانشگاه استنفورد
تا همین اواخر، مشکل این بود که انسانها و نرمافزارهای سنتی نمیتوانستند این حجم از پیچیدگی را بهطور کامل تحلیل کنند.
اینجاست که هوش مصنوعی وارد میشود؛ مدلی که میتواند الگوها را در هزاران شب خواب و در چندین سیستم بدن بهطور همزمان یاد بگیرد.
مطالعات خواب در عصر هوش مصنوعی
هوش مصنوعی پزشکی در حوزههایی مانند رادیولوژی و قلبشناسی رشد چشمگیری داشته است. اما مطالعات خواب با وجود ارتباط مستقیم با عملکرد مغز، متابولیسم، تنفس و سلامت قلبیعروقی، عقب مانده بودند.
جیمز زو، استاد دادهکاوی زیستپزشکی و نویسنده ارشد این مطالعه، در اینباره میگوید:
«از دید هوش مصنوعی، خواب حوزهای نسبتاً کممطالعهشده است. در حالی که خواب بخش بسیار مهمی از زندگی انسان را تشکیل میدهد.»
همین خلأ باعث شد تیم پژوهشی به جای ساخت یک مدل محدود، یک مدل پایه طراحی کند که ابتدا الگوهای کلی را بیاموزد و بعد برای پیشبینیهای خاص تنظیم شود.
SleepFM و زبان پنهان خواب
SleepFM مشابه مدلهای زبانی بزرگ آموزش دیده است. با این تفاوت که بهجای کلمات، از قطعات بسیار کوچک دادههای فیزیولوژیک یاد میگیرد.
دادههای پلیسومنوگرافی به بخشهای پنجثانیهای تقسیم شدند تا مدل بتواند کل شب را بهصورت یک دنباله تحلیل کند و بفهمد چه الگوهایی معمولاً بعد از هم رخ میدهند.
به گفته زو:
«SleepFM در اصل در حال یادگیری زبان خواب است.»
این مدل بهطور همزمان چندین کانال داده را تحلیل میکند، از جمله:
- الکتروانسفالوگرافی برای فعالیت مغزی
- الکتروکاردیوگرافی برای ریتم قلب
- الکترومایوگرافی برای فعالیت عضلات
- دادههای نبض و جریان هوا
آموزش مدل برای اطمینان و دقت
هدف فقط خواندن هر کانال بهصورت جداگانه نبود، بلکه درک ارتباط میان آنها اهمیت داشت.
برای این کار، پژوهشگران روشی طراحی کردند که در آن بخشی از دادهها عمداً پنهان میشد و مدل باید آن را با استفاده از کانالهای دیگر بازسازی میکرد.
«یکی از پیشرفتهای فنی اصلی ما این بود که توانستیم همه این دادههای ناهمگون را طوری هماهنگ کنیم که یک زبان مشترک یاد بگیرند.»
جیمز زو
پس از آموزش، SleepFM برای وظایف رایج پزشکی خواب تنظیم شد، مانند:
- تشخیص مراحل خواب
- ارزیابی شدت آپنه خواب
در این آزمونها، عملکرد مدل همسطح یا حتی بهتر از مدلهای پیشرفته فعلی بود. این نشان میداد که سیستم واقعاً الگوهای معنادار را یاد گرفته است.
دادههای خواب و پیشبینی خطر بیماری
مرحله جسورانه پژوهش، پیشبینی بیماریهای آینده تنها از روی یک شب خواب بود.
برای این منظور، دادههای خواب با سوابق پزشکی بلندمدت بیماران ترکیب شد. بزرگترین مجموعه داده مربوط به حدود ۳۵ هزار بیمار ۲ تا ۹۶ ساله بود که آزمایشهای خواب آنها بین سالهای ۱۹۹۹ تا ۲۰۲۴ ثبت شده بود.
این دادهها با پروندههای الکترونیک سلامت تطبیق داده شدند و برای برخی افراد تا ۲۵ سال پیگیری پزشکی وجود داشت.
SleepFM بیش از ۱۰۰۰ دسته بیماری را بررسی کرد و توانست ۱۳۰ بیماری را تنها با دادههای خواب و با دقت قابل قبول پیشبینی کند.
پیشبینی بیماریها سالها پیش از بروز
قویترین نتایج مربوط به این گروهها بود:
- سرطانها
- عوارض بارداری
- بیماریهای گردش خون
- اختلالات روانی
در این گروهها، شاخص C بالاتر از ۰٫۸ گزارش شد.
شاخص C معیاری برای سنجش توان مدل در رتبهبندی ریسک افراد است. به بیان ساده، اگر این شاخص ۰٫۸ باشد، یعنی مدل در ۸۰ درصد موارد فرد پرخطرتر را درست بالاتر از فرد کمخطر قرار میدهد.
SleepFM در پیشبینی بیماریهایی مانند موارد زیر عملکرد بسیار خوبی داشت:
- پارکینسون
- زوال عقل
- بیماری قلبی ناشی از فشار خون بالا
- حمله قلبی
- سرطان پروستات
- سرطان پستان
- مرگ
مدل SleepFM دقیقاً چه چیزی را میبیند؟
با وجود نتایج قوی، پرسش اصلی این است که SleepFM دقیقاً چه الگوهایی را تشخیص میدهد.
پژوهشگران میگویند در حال توسعه ابزارهای تفسیری هستند و حتی ممکن است در آینده دادههای ابزارهای پوشیدنی را هم به مدل اضافه کنند.
«مدل این موضوع را به زبان انسانی توضیح نمیدهد. اما ما روشهایی توسعه دادهایم تا بفهمیم هنگام پیشبینی یک بیماری خاص، به چه چیزی توجه میکند.»
جیمز زو
یک نکته مهم از همین حالا مشخص شده است: دقیقترین پیشبینیها از یک کانال داده بهتنهایی به دست نیامدهاند، بلکه از مقایسه و ناهماهنگی میان کانالها حاصل شدهاند.
«بیشترین اطلاعات برای پیشبینی بیماری زمانی به دست آمد که کانالهای مختلف را در تضاد با هم بررسی کردیم.»
امانوئل مینیو
به بیان دیگر، زمانی که بدن از نظر فیزیولوژیک هماهنگ نیست، احتمال وجود مشکل افزایش مییابد. مثلاً مغزی که در حالت خواب به نظر میرسد اما قلب رفتاری شبیه بیداری دارد، میتواند نشانه یک اختلال عمیقتر باشد.
جمعبندی
این پژوهش که در نشریه معتبر Nature Medicine منتشر شده است، نشان میدهد خواب نهتنها برای بازیابی انرژی اهمیت دارد، بلکه میتواند به یک ابزار پیشبینی قدرتمند برای سلامت آینده انسان تبدیل شود.
اگر به آینده پزشکی هوشمند علاقهمند هستید، مقالههای مرتبط ما درباره کاربردهای نوین هوش مصنوعی در سلامت را مطالعه کنید و نظر خود را با ما به اشتراک بگذارید.
