مدل هوش مصنوعی که با داده‌های ۶۵ هزار بیمار آموزش دیده، خطر ابتلا به ۱۳۰ بیماری را از یک شب خواب پیش‌بینی می‌کند

یک شب خواب ممکن است به زودی اطلاعات بیشتری در مورد سلامت بلندمدت شما نسبت به یک آزمایش خون استاندارد یا معاینه سالانه به پزشکتان بدهد. محققان در استنفورد مدیسین یک مدل هوش مصنوعی توسعه داده‌اند که قادر است تنها با تجزیه و تحلیل نحوه رفتار بدن فرد در حالت ناخودآگاه، خطر ابتلای او به ۱۳۰ وضعیت پزشکی مختلف را پیش‌بینی کند.[1][4]

این سیستم که با نام اسلیپ‌اف‌ام شناخته می‌شود، با حجم بی‌سابقه‌ای از داده‌های بالینی آموزش دیده است: تقریباً ۶۰۰,۰۰۰ ساعت ضبط خواب که از ۶۵,۰۰۰ بیمار جمع‌آوری شده است. این هوش مصنوعی با گوش دادن به تعامل ظریف امواج مغزی، ریتم‌های قلبی و الگوهای تنفسی، می‌تواند شروع بیماری‌هایی از پارکینسون و زوال عقل گرفته تا نارسایی قلبی و انواع سرطان‌ها را پیش‌بینی کند، اغلب سال‌ها قبل از ظهور علائم.[1][2]

برای عموم مردم، این یافته‌ها یک تغییر عمیق در نحوه درک ما از استراحت ارائه می‌دهد. خواب صرفاً یک حالت غیرفعال برای بازیابی نیست؛ بلکه دوره‌ای فعال و غنی از داده است که در آن سلامت فیزیولوژیکی زمینه‌ای بدن آشکار می‌شود. هنگامی که حواس‌پرتی‌های زندگی بیداری از بین می‌روند، سیستم‌های عصبی و قلبی عروقی به گونه‌ای با هم ارتباط برقرار می‌کنند که استرس‌های پنهان را فاش می‌سازند.[3][4]

برای ساخت اسلیپ‌اف‌ام، تیم استنفورد به پلی‌سومنوگرافی روی آورد، که مطالعه استاندارد طلایی خواب است و بیماران را در طول شب در یک آزمایشگاه بالینی تحت نظارت قرار می‌دهد. این مطالعات جریان عظیمی از سیگنال‌های بیولوژیکی، از جمله الکتروکاردیوگرام برای قلب، الکترومیوگرام برای فعالیت عضلانی، نرخ تنفس و فعالیت دقیق امواج مغزی را ثبت می‌کنند.[1][5]

از لحاظ تاریخی، متخصصان خواب تنها بخش کوچکی از این داده‌ها را استفاده می‌کردند و عمدتاً به دنبال اختلالات واضحی مانند وقفه‌های تنفسی مشخصه آپنه خواب بودند. بخش عمده‌ای از اطلاعات فیزیولوژیکی ثبت‌شده بدون تجزیه و تحلیل باقی می‌ماند زیرا برای تحلیل دستی توسط پزشکان انسانی بسیار پیچیده بود.[1][2]

محققان این مشکل را با در نظر گرفتن داده‌های خواب به عنوان یک زبان حل کردند. درست مانند مدل‌های زبان بزرگ که با میلیاردها کلمه آموزش می‌بینند تا دستور زبان و بافتار را درک کنند، اسلیپ‌اف‌ام با داده‌های خواب که به فواصل پنج ثانیه‌ای تقسیم شده بودند، تغذیه شد. این هوش مصنوعی دستور زبان عادی خواب انسان را در میان ده‌ها هزار بیمار مختلف آموخت.[1][5]

در طول آموزش، تیم از روش «حذف یک مورد» استفاده کرد تا به مدل بیاموزد که چگونه سیستم‌های مختلف بدن با هم هماهنگ می‌شوند. به عنوان مثال، امواج مغزی و الگوهای تنفسی بیمار به هوش مصنوعی نشان داده می‌شد، اما داده‌های ضربان قلب پنهان می‌ماند. سپس مدل مجبور می‌شد تنها بر اساس سیگنال‌های دیگر حدس بزند که قلب چه کاری انجام می‌دهد.[6]

با تکرار این فرآیند صدها میلیون بار، اسلیپ‌اف‌ام دقیقاً آموخت که یک مغز، قلب و سیستم تنفسی سالم چگونه باید در مراحل مختلف خواب با هم تعامل داشته باشند. مهم‌تر از آن، آموخت که چه زمانی این سیستم‌ها از هماهنگی خارج می‌شوند – پدیده‌ای که به عنوان یک علامت هشدار اولیه قدرتمند برای بیماری‌های سیستمیک عمل می‌کند.[4][6]

قدرت پیش‌بینی هوش مصنوعی زمانی آشکار می‌شود که تناقضات فیزیولوژیکی را تشخیص می‌دهد. اگر امواج مغزی بیمار نشان دهد که او در خواب عمیق و ترمیمی است، اما ضربان قلبش بالا و نامنظم باقی بماند، اسلیپ‌اف‌ام این ناهماهنگی را علامت‌گذاری می‌کند. این عدم همگام‌سازی‌های ظریف اغلب اولین زمزمه‌های زوال قلبی عروقی یا عصبی هستند.[4]

برای آزمایش دقت مدل، محققان استنفورد داده‌های خواب را به ۲۵ سال سوابق الکترونیکی سلامت مرتبط کردند. آنها از هوش مصنوعی خواستند تا پیش‌بینی کند کدام بیماران به بیماری‌های خاصی مبتلا خواهند شد و نتایج خیره‌کننده بود. این مدل با موفقیت خطرات افزایش یافته برای ۱۳۰ وضعیت متمایز را شناسایی کرد.[1][2]

نرخ‌های دقت، که با شاخص همخوانی اندازه‌گیری شدند، برای بیماری‌های شدید به طور استثنایی بالا بودند. اسلیپ‌اف‌ام بیماری پارکینسون را با دقت ۸۹٪ و زوال عقل را با دقت ۸۵٪ پیش‌بینی کرد. همچنین حملات قلبی را با ۸۱٪، سرطان پروستات را با ۸۹٪ و سرطان سینه را با ۸۷٪ با موفقیت پیش‌بینی کرد. این مدل حتی خطر کلی مرگ و میر ناشی از همه علل را با دقت ۸۴٪ پیش‌بینی کرد.[1][6]

نکته مهم این است که اسلیپ‌اف‌ام از مدل‌های سنتی خطر بالینی که به معیارهای استانداردی مانند سن، جنسیت و شاخص توده بدنی بیمار متکی هستند، بهتر عمل کرد. این هوش مصنوعی با نگاه مستقیم به سیستم عصبی خودمختار بدن در حالت استراحت، تعمیم‌های جمعیتی را دور زد و فرسودگی فیزیولوژیکی واقعی را اندازه‌گیری کرد.[2][3]

برای بیماران، مهم است که درک کنند این فناوری چه کاری انجام می‌دهد و چه کاری انجام نمی‌دهد. اسلیپ‌اف‌ام یک بیماری فعال را تشخیص نمی‌دهد؛ بلکه خطر بلندمدت را طبقه‌بندی می‌کند. علامت خطر بالا برای بیماری قلبی به این معنی نیست که بیمار در حال حاضر نارسایی قلبی دارد، بلکه نشان می‌دهد که سیستم عصبی خودمختار او فشار اولیه‌ای را نشان می‌دهد که مقدم بر آن است.[2][4]

علاوه بر این، خوانندگان عادی نباید به خاطر چند شب غلت زدن و بی‌قراری وحشت کنند. این هوش مصنوعی به بی‌خوابی استاندارد یا شب‌های بی‌قرار گاه به گاه ناشی از استرس یا کافئین نگاه نمی‌کند. بلکه ناهماهنگی‌های عمیق و مزمن در نحوه ارتباط مغز و اندام‌ها در حالی که بیمار کاملاً در خواب است را تشخیص می‌دهد.[3][4]

در حال حاضر، محدودیت اصلی اسلیپ‌اف‌ام اتکای آن به پلی‌سومنوگرافی در سطح بالینی است. برای به دست آوردن این بینش‌ها امروز، بیمار باید یک شب را در یک آزمایشگاه تخصصی خواب بگذراند که به ده‌ها حسگر پزشکی متصل است. این فناوری هنوز چیزی نیست که بتواند از طریق یک ساعت هوشمند یا حلقه تناسب اندام معمولی مصرف‌کننده اجرا شود.[1][3]

با این حال، تیم تحقیقاتی فعالانه در تلاش است تا این شکاف را پر کند. هدف بلندمدت این است که این مدل‌های بنیادی را ترجمه کنند تا بتوانند داده‌های کمی کمتر دقیق جمع‌آوری شده توسط دستگاه‌های پوشیدنی مصرف‌کنندگان را تفسیر کنند. در صورت موفقیت، دستگاه‌های روزمره می‌توانند در نهایت پیش‌بینی سلامت مستمر و غیرتهاجمی را که هر روز صبح به‌روز می‌شود، ارائه دهند.[2][4]

در همین حال، پیامدهای بالینی فوری هستند. پزشکان می‌توانند اسلیپ‌اف‌ام را بر روی هزاران آزمایش پلی‌سومنوگرافی که هر ساله برای آپنه خواب انجام می‌شود، اجرا کنند. بیمارانی که برای ارزیابی معمول خروپف مراجعه می‌کنند، می‌توانند با یک ارزیابی جامع خطر برای بیماری‌های عصبی و قلبی عروقی خارج شوند، که امکان مراقبت پیشگیرانه را سال‌ها زودتر از موعد فراهم می‌کند.[1][5]

در نهایت، این پیشرفت یک حقیقت عملی را تقویت می‌کند که متخصصان خواب سال‌ها از آن دفاع کرده‌اند: محافظت از خواب شما، محافظت از سلامت سیستمیک شماست. درمان عوامل شناخته شده مختل‌کننده خواب – مانند آپنه خواب یا بی‌خوابی مزمن – فقط در مورد احساس استراحت در روز بعد نیست؛ بلکه در مورد حذف استرس مزمنی است که سیستم‌های بدن را مجبور به خروج از هماهنگی می‌کند.[3][5]