KI erkennt 130 Krankheiten im Schlaf

Einschlafprobleme, ständiges Hin- und Herwälzen oder Aufwachen – Millionen von Menschen auf der ganzen Welt sind von Schlafstörungen betroffen. Diese führen nicht nur dazu, dass man am nächsten Tag erschöpft ist. Was im Schlaf passiert, kann auch auf Krankheiten hindeuten, die eines Tages auftreten könnten. 

Weil zwar viele Schlafdaten erhoben, jedoch nicht immer analysiert werden, haben Forschende von Stanford Medicine ein KI-Modell entwickelt, das daraus bis zu 130 Krankheiten, wie zum Beispiel Parkinson, vorhersagen kann. Die Studie wurde im Journal Nature Medicine veröffentlicht. 

➤ Mehr lesen: Chemikalien in Kunststoff können zu Schlafproblemen führen

Schlafdaten als Hinweis für Krankheiten

Das von den Forschenden entwickelte KI-Modell heißt SleepFM und wurde auf Basis von 585.000 Stunden Schlafdaten trainiert. 65.000 Teilnehmer haben die Daten im Rahmen einer Polysomnographie (PSG) – dem „Goldstandard in der Schlafforschung“ – geliefert. 

Damit ist eine umfassende Schlafuntersuchung gemeint, die in Schlaflaboren angewandt wird und mithilfe einer Reihe von Sensoren Schlafdaten erfasst. Zum Beispiel werden die Gehirnströme und Gehirnaktivität überwacht. Oder auch der Herzschlag und die Atmung, sowie Augenbewegungen: „SleepFM lernt im Wesentlichen die Sprache des Schlafes“, erklärt James Zou, ein Autor der Studie. 

➤ Mehr lesen: Warum manchen Menschen 3 Stunden Schlaf genügt

SleepFM zur Analyse der Daten 

„Wir zeichnen eine erstaunliche Anzahl von Signalen auf, wenn wir den Schlaf untersuchen“, erklärt Emmanuel Mignot, Autor der neuen Studie. Ein Problem sei, dass viele der Daten bisher nicht vollständig genutzt werden konnten. Denn Daten aus der PSG seien schwer zu verallgemeinern.

Um das zu ändern, entwickelten die Forschenden ein  Basismodell, das sich mithilfe der zur Verfügung gestellten Daten selbst trainieren kann. Die in Schlaflaboren erhobenen Daten wurden dafür in 5-Sekunden-Abschnitte unterteilt.

Die KI im Test 

Außerdem nutzten sie eine Trainingstechnik namens “Leave-One-Out Kontrastives Lernen”. Vereinfacht gesagt haben die Forschenden damit beim Training einen Teil der Daten verborgen. Die KI muss mithilfe der verfügbaren Daten dann das fehlende Puzzlestück finden. Dadurch lernt sie, wie verschiedene Signale des Körpers zusammenhängen.

Getestet wurde die KI, indem zum Beispiel verschiedene Schlafstadien oder die Schwere von Schlafapnoe klassifiziert und analysiert wurden. Da die Forschenden durch das Stanford Sleep Medicine Center Zugang zu 50 Jahren an Datenmaterial hatten, konnten sie auch den zukünftigen Ausbruch von Krankheiten vorhersagen. 

Dafür nutzten sie die PSG-Daten der Patientinnen und Patienten sowie ihre elektronischen Gesundheitsakten. Diese Akten enthielten Informationen darüber, welche Krankheiten die Personen später entwickelten, teilweise über einen Zeitraum von bis zu 25 Jahren. 

➤ Mehr lesen: Smarte Arzthelfer: Was bringt Tracking mit Wearables unserer Gesundheit?

Vorhersage von 130 Krankheiten möglich 

Für die Vorhersage des Ausbruchs späterer Krankheiten wurden mehr als 1.000 Krankheitskategorien analysiert. 130 davon konnten auf Basis der Schlafdaten mit “angemessener Genauigkeit" vorhergesagt werden. 

Sehr zuverlässig war SleepFM bei der Vorhersage für Parkinson und erreichte dort einen C-Wert von 0,89. “Ein C-Index von 0,8 bedeutet, dass die Vorhersage des Modells in 80 Prozent der Fälle mit dem tatsächlichen Geschehen übereinstimmt“, erklärt Zou. 

Bei Demenz betrug der C-Wert 0,85, Tod wurde mit einem C-Wert von 0,84 vorhergesagt. „Wir waren angenehm überrascht, dass das Modell trotz einer Vielzahl unterschiedlicher Bedingungen informative Vorhersagen treffen kann“, betont Zou.

Weitere Verbesserung des Modells 

Nun will das Forscherteam das Modell weiter verbessern. Beispielsweise müsse an der Interpretation der Ergebnisse gearbeitet werden und spezifische Schlafmuster und Merkmale besser verstanden werden. 

Die Forschenden betonen auch, dass die Studie nicht repräsentativ für die Gesamtbevölkerung ist, da ja nur Daten von Personen genutzt wurden, die an Schlafstudien aufgrund eines Verdachts auf eine Krankheit teilgenommen haben. 

Auch wenn beispielsweise vor allem Herzdaten für die Vorhersage von Herzerkrankungen relevant sind, sei es die Kombination der verschiedenen Daten, die zu einer hohen Genauigkeit der Vorhersage führe.