مدل هوش مصنوعی استنفورد خطر بیش از ۱۳۰ بیماری را از داده‌های یک شب خواب پیش‌بینی می‌کند

یک شب بی‌قرار معمولاً به عنوان یک مزاحمت کوتاه‌مدت تلقی می‌شود که صبحی خسته و خواب‌آلود را به دنبال دارد. اما بر اساس تحقیقات جدید، سیگنال‌های فیزیولوژیکی که بدن ما در حالت ناخودآگاه ساطع می‌کند، حاوی نقشه‌ای پنهان و بسیار دقیق از سلامت بلندمدت ما هستند.[1]

دانشمندان در دانشکده پزشکی استنفورد یک سیستم هوش مصنوعی بی‌سابقه توسعه داده‌اند که قادر است خطر ابتلای فرد به بیش از ۱۳۰ بیماری مختلف را تنها بر اساس داده‌های یک شب خواب پیش‌بینی کند.[1][2]

این مدل که SleepFM (مدل بنیادی خواب) نامیده شده، جزئیات آن در مجله نیچر مدیسین منتشر شده است. این مدل توانست شروع بیماری‌های جدی—از جمله بیماری پارکینسون، زوال عقل، نارسایی قلبی و انواع مختلف سرطان—را سال‌ها قبل از بروز علائم بالینی در بیماران، با موفقیت پیش‌بینی کند.[1]

از لحاظ تاریخی، پزشکی خواب تمرکز محدودی داشته است. هنگامی که بیماران تحت مطالعات خواب شبانه قرار می‌گیرند، پزشکان معمولاً به دنبال مشکلات فوری و مکانیکی مانند آپنه انسدادی خواب یا بی‌خوابی هستند و پیامدهای گسترده‌تر داده‌ها تا حد زیادی کشف نشده باقی می‌ماند.[3]

امانوئل مینیو، استاد پزشکی خواب در استنفورد و یکی از نویسندگان ارشد این مطالعه، گفت: «ما هنگام مطالعه خواب، تعداد شگفت‌انگیزی از سیگنال‌ها را ثبت می‌کنیم. این نوعی فیزیولوژی عمومی است که ما به مدت هشت ساعت در فردی که کاملاً تحت کنترل است، مطالعه می‌کنیم. این داده‌ها بسیار غنی هستند.»[1][2]

با وجود این غنای داده، بخش عمده‌ای از اطلاعات جمع‌آوری شده در طول این جلسات شبانه به طور سنتی نادیده گرفته شده است. پزشکان انسانی به سادگی قادر به پردازش میلیون‌ها نقطه داده ظریف و همپوشان که به طور همزمان توسط مغز و بدن در حال خواب تولید می‌شوند، نیستند.[4]

برای رمزگشایی این اطلاعات، تیم استنفورد به سراغ یک «مدل بنیادی» رفتند—همان معماری هوش مصنوعی زیربنایی که مدل‌های زبان بزرگ را تقویت می‌کند. اما به جای یادگیری الگوهای زبان انسانی، SleepFM برای درک زبان پیچیده فیزیولوژی انسان آموزش داده شد.[2]

محققان تقریباً ۶۰۰,۰۰۰ ساعت ضبط خواب از ۶۵,۰۰۰ نفر را به هوش مصنوعی وارد کردند. این داده‌ها از پلی‌سومنوگرافی (Polysomnography) به دست آمده‌اند، که استاندارد طلایی بالینی برای آزمایش خواب است و از مجموعه‌ای از حسگرها برای ردیابی مداوم امواج مغزی، ریتم‌های قلبی، الگوهای تنفسی، سطح اکسیژن خون و حرکات عضلانی استفاده می‌کند.[1][3]

فرآیند آموزش متکی بر تکنیکی به نام «یادگیری تقابلی با حذف یک مورد» بود. داده‌ها در قطعات پنج ثانیه‌ای به هوش مصنوعی داده می‌شد، اما محققان عمداً یک جریان داده—مانند ضربان قلب—را پنهان می‌کردند و مدل را مجبور می‌کردند تا آن را صرفاً بر اساس امواج مغزی و الگوهای تنفسی بازسازی کند.[4]

با تکرار این فرآیند میلیون‌ها بار، SleepFM دقیقاً یاد گرفت که سیستم‌های یک بدن سالم چگونه با یکدیگر تعامل دارند. برای مثال، آموخت که یک نوع خاص از موج مغزی باید با کاهش مشخصی در ضربان قلب و ریتم معینی از تنفس مطابقت داشته باشد.[3]

هنگامی که هوش مصنوعی هماهنگی فیزیولوژیکی طبیعی را درک کرد، در شناسایی ناهماهنگی‌های میکروسکوپی بسیار ماهر شد. محققان کشف کردند که این عدم تطابق‌های ظریف—مانند مغزی که در خواب است اما با یک سیستم قلبی عروقی غیرعادی هوشیار همراه است—نشانگرهای اولیه قدرتمندی برای بیماری‌های سیستمیک هستند.

برای آزمایش قدرت پیش‌بینی مدل، تیم داده‌های خواب را به سوابق سلامت الکترونیکی مرکز پزشکی خواب استنفورد که تا ۲۵ سال قدمت داشتند، مرتبط کردند. آن‌ها از هوش مصنوعی خواستند تا پیش‌بینی کند کدام بیماران در نهایت به بیماری‌های مختلف مبتلا خواهند شد، و سپس سوابق تاریخی را برای تأیید نتایج بررسی کردند.[1][2]

نتایج خیره‌کننده بود. SleepFM بیش از ۱۰۰۰ دسته بیماری را ارزیابی کرد و ۱۳۰ مورد را یافت که می‌توانستند تنها با استفاده از داده‌های خواب شبانه با دقت بالا پیش‌بینی شوند، که اساساً دیدگاه محققان نسبت به پتانسیل تشخیصی خواب را تغییر می‌دهد.[1][3]

دقت مدل با استفاده از «شاخص C» اندازه‌گیری می‌شود، که ارزیابی می‌کند هوش مصنوعی چند بار به درستی رتبه‌بندی می‌کند که کدام یک از دو بیمار زودتر به یک بیماری مبتلا خواهند شد. نمره ۰.۸ به این معنی است که مدل ۸۰ درصد مواقع درست عمل می‌کند، که آستانه‌ای بسیار مهم در پیش‌بینی‌های پزشکی است.[1][2]

SleepFM برای بیماری پارکینسون و سرطان پروستات به شاخص C معادل ۰.۸۹، برای سرطان سینه ۰.۸۷، برای زوال عقل ۰.۸۵ و برای حملات قلبی ۰.۸۱ دست یافت. حتی مرگ و میر ناشی از همه علل را نیز با دقت چشمگیر ۸۴ درصد پیش‌بینی کرد.[1][4]

جیمز زو، دانشیار علوم داده‌های زیست‌پزشکی در استنفورد و یکی از نویسندگان ارشد این تحقیق، خاطرنشان کرد: «ما به طور خوشایندی شگفت‌زده شدیم که این مدل قادر است برای مجموعه نسبتاً متنوعی از بیماری‌ها، پیش‌بینی‌های آگاهی‌بخشی ارائه دهد.»[1][2]

این پیشرفت نشان‌دهنده یک تغییر اساسی در پزشکی پیشگیرانه است. این امر حاکی از آن است که مطالعات خواب شبانه، که در حال حاضر به عنوان ابزارهای تشخیصی تخصصی برای اختلالات تنفسی در نظر گرفته می‌شوند، می‌توانند در نهایت به عنوان مکانیسم‌های غربالگری گسترده و غیرتهاجمی برای طیف وسیعی از بیماری‌های تهدیدکننده حیات مورد استفاده مجدد قرار گیرند.[3]

با این حال، محققان هشدار می‌دهند که این فناوری هنوز برای تلفن‌های هوشمند یا ساعت‌های هوشمند مصرف‌کنندگان آماده نیست. SleepFM متکی بر داده‌های متراکم و چندکاناله ارائه شده توسط پلی‌سومنوگرافی بالینی است، که مستلزم آن است که بیمار در آزمایشگاه و متصل به حسگرهای پزشکی بخوابد.[2][3]

مرز بعدی برای تیم استنفورد این است که مشخص کنند آیا این قابلیت‌های پیش‌بینی را می‌توان برای دستگاه‌های پوشیدنی مصرف‌کنندگان تطبیق داد یا خیر. اگر مدل‌های بنیادی بتوانند بینش‌های مشابهی را از حسگرهای ساده‌تر روی یک ساعت هوشمند استخراج کنند، غربالگری مداوم و غیرفعال بیماری می‌تواند برای میلیون‌ها نفر به واقعیت تبدیل شود.[4]