После одной ночи сна в лаборатории ИИ может оценить риск развития более 130 заболеваний — от болезни Паркинсона и деменции до инфаркта и рака груди. Однако программное обеспечение не выявляет причины, а только корреляции.
На основе сигналов, полученных за одну ночь в лаборатории сна, новый ИИ может оценить риск развития около 130 заболеваний, в том числе болезни Паркинсона, деменции, инфаркта миокарда, рака простаты и молочной железы. И это «за годы до появления первых симптомов», как утверждает Джеймс Зоу, специалист по данным из Стэнфорда, один из авторов исследования, опубликованного в журнале Nature Medicine.
Новое ИИ‑модельное решение под названием SleepFM создано на основе сотен тысяч часов реальных данных о сне, что обеспечивает высокую точность анализа. Разработкой занималась команда исследователей под руководством Рахула Тхапы, специалиста по биомедицинским данным из Стэнфордского университета. Такой масштаб обучения делает модель особенно перспективной для исследований сна и технологий мониторинга здоровья.
Как ИИ учится «читать» сон
Исследование сна в специализированных лабораториях проводится методом полисомнографии — комплексной процедуры, при которой одновременно фиксируются мозговая активность, работа сердца, дыхание, напряжение мышц, а также движения глаз и ног.
Для обучения модели SleepFM исследователи использовали около 585 000 часов таких полисомнографических записей, собранных у примерно 65 000 человек из разных групп. Основная часть данных поступила из Stanford Sleep Medicine Center, что обеспечило высокое качество и разнообразие материала для анализа.
В ходе предварительного обучения ИИ научился распознавать, как сигналы мозга, сердца и дыхания согласовываются друг с другом во время нормального сна. Это своего рода язык сна, который модель фиксирует статистически.
От сигнала сна к прогнозу заболевания
После базового обучения модель SleepFM была дополнительно настроена для задач распознавания стадий сна и выявления признаков апноэ сна. В этих областях она демонстрирует результаты, сопоставимые с работой признанных систем анализа, таких как U‑Sleep и YASA, что делает её конкурентоспособным инструментом для исследований и клинической диагностики.
Обе эти программы работают с ЭЭГ‑данными, позволяющими фиксировать электрическую активность мозга. Такой подход помогает исследователям точнее определять стадии сна и проводить их глубокий анализ, что делает технологии особенно ценными для науки о сне и медицинской диагностики.
Затем исследователи сопоставили данные о сне с электронными медицинскими записями за период до 25 лет, чтобы выяснить, какие заболевания можно предсказать всего по одной ночи полисомнографии. Такой подход позволил оценить, насколько ранние признаки в структуре сна связаны с будущими диагнозами и рисками для здоровья.
Из более чем 1000 возможных категорий модель смогла выделить 130 заболеваний, риск развития которых она прогнозировала с умеренной или высокой точностью.
По словам ведущего автора исследования Рахула Тхапы, такой подход демонстрирует, что обычные ночные измерения сна могут стать недооценённым источником информации о долгосрочном состоянии здоровья человека.
Наиболее точные прогнозы модель показала в отношении деменции, болезни Паркинсона, инфаркта миокарда, сердечной недостаточности, ряда онкологических заболеваний, а также общей смертности.
По словам Себастьяна Бушйегера, эксперта по сну из Lamarr‑Института Технического университета Дортмунда, который не участвовал в исследовании, потенциал таких систем огромен: «По сути, ИИ можно обучить предсказывать множество состояний, если имеется достаточный объём качественных данных».
Что ИИ ищет в спящем организме
Анализ данных показал, что сигналы сердца играют ключевую роль в прогнозировании сердечно‑сосудистых заболеваний, тогда как мозговая активность (ЭЭГ) более значима для выявления неврологических и психических нарушений.
Наиболее информативным оказался комбинированный подход, когда одновременно учитываются разные физиологические параметры. Например, если ЭЭГ указывает на глубокий и стабильный сон, но сердечный ритм остаётся повышенным, это может сигнализировать о скрытых рисках для здоровья.
Подобные несоответствия между мозговой активностью и работой сердца могут указывать на скрытые нагрузки или даже на ранние стадии заболеваний, задолго до появления заметных симптомов.
Как отмечает Себастьян Бушйегер, эксперт по сну, если специалисты по сомнологии предполагают возможную связь, специалисты по ИИ могут преобразовать её в прогностическую модель — и наоборот, подсказать, где такие связи потенциально существуют.
Такой подход открывает новые возможности для раннего выявления рисков и более точного анализа состояния здоровья.
По словам эксперта по сну из Дортмунда, предоставляемые ИИ‑моделью связи в большинстве случаев имеют статистический характер. Он подчёркивает, что каузальные взаимосвязи должны подтверждаться профильными специалистами.
Насколько надежны лабораторные данные?
Основой модели стали в первую очередь данные из специализированных лабораторий сна — то есть записи людей, которых направляли на обследование из‑за проблем со сном и которые, как правило, живут в более обеспечённых регионах с доступом к высокотехнологичной медицине.
Исследователи включили в анализ несколько американских и европейских когорт, чтобы расширить разнообразие выборки и повысить надёжность выводов.
Они дополнительно тестируют модель в рамках независимого исследования, однако люди, не страдающие нарушениями сна, или проживающие в малообеспеченных регионах мира, по-прежнему недостаточно представлены.
Возможности и ограничения диагностики и терапии
Исследователи подчеркивают, что SleepFM не выявляет причины заболеваний, а лишь корреляции: он распознает статистические закономерности в сне, которые могут быть связаны с последующими диагнозами.
«Большинство методов искусственного интеллекта не учитывают причинно-следственные связи», — объясняет информатик Матиас Якобс из Технического университета Дортмунда, который занимается исследованиями в области искусственного интеллекта и методов машинного обучения (сокращенно ML) для анализа данных о сне и не участвовал в данном исследовании.
Методы ML — это вычислительные методы, с помощью которых компьютеры на основе примеров данных учатся распознавать закономерности и делать прогнозы, не будучи явно запрограммированными для каждого правила.
Тем не менее, Якобс видит «потенциал для диагностики и терапии, даже если используются только статистические связи».
ИИ помогает человеку, но не заменяет его
Модели наподобие SleepFM преобразуют огромные объёмы полисомнографических данных в так называемые эмбеддинги — компактные числовые представления, которые позволяют проводить анализ быстрее и зачастую точнее.
Как объясняет информатик Якобс, такие методы дают возможность эффективно размечать стадии сна и эпизоды апноэ, тогда как ручная разметка занимает много времени и подвержена ошибкам. Благодаря этому у врачей остаётся больше ресурсов для работы с пациентами, а не для рутинной обработки данных.
Дортмундский эксперт по сну Себастьян Бушйегер подчёркивает, что ключевую роль играет междисциплинарное сотрудничество. По его словам, искусственный интеллект можно эффективно обучить планированию терапии, но именно человек — врач или врач‑специалист — интерпретирует результаты и принимает решение о лечении, зачастую даже без полного понимания всех причин.
Такой подход напоминает, что ИИ усиливает медицинскую практику, но не заменяет профессиональное клиническое суждение.
Таким образом, системы искусственного интеллекта остаются инструментом и ранним сигнализатором возможных рисков, но ответственность за постановку диагноза и выбор лечения по‑прежнему несут медицинские специалисты.
ИИ помогает ускорить анализ, однако окончательные решения остаются в руках врачей, что обеспечивает безопасность и качество медицинской помощи.
Пока остаётся неясным, в какой степени обнаруженные модели действительно отражают реальные биологические механизмы, лежащие в основе заболеваний. Однако именно в этом направлении, по мнению учёных, скрывается огромный потенциал для будущих исследований.
Такие данные могут помочь лучше понять, как ранние изменения в физиологии связаны с развитием болезней, и открыть новые пути для диагностики и профилактики.
Если определённые сигнальные паттерны во время сна стабильно связаны с конкретными заболеваниями, они могут указывать на то, какие процессы в нервной системе, сердечно‑сосудистой системе или иммунной системе начинают нарушаться на самых ранних этапах.
Такие данные позволяют делать выводы о состоянии здоровья не только у пациентов из традиционных лабораторных когорт, но и у гораздо более широких групп людей, что открывает путь к более универсальным и доступным методам ранней диагностики.
