یک مدل هوش مصنوعی منحصر به فرد که توسط محققان دانشگاه استنفورد و همکارانشان توسعه داده شده است، میتواند روزی برای پیشبینی خطر ابتلا به بیش از ۱۰۰ بیماری، بدون نیاز به بیدار بودن شما، مورد استفاده قرار گیرد.
همانطور که در مقالهای که اخیراً منتشر شده است، شرح داده شده است، مدل هوش مصنوعی SleepFM مجموعهای جامع از دادههای فیزیولوژیکی را تجزیه و تحلیل میکند تا خطر ابتلا به زوال عقل، نارسایی قلبی و مرگ و میر به هر علتی را در آینده – بر اساس یک شب خواب – پیشبینی کند.
SleepFM یک مدل پایه است که مانند ChatGPT بر روی مجموعه دادههای وسیعی از تقریباً ۶۰۰۰۰۰ ساعت دادههای خواب جمعآوری شده از ۶۵۰۰۰ شرکتکننده آموزش دیده است. همانطور که ChatGPT از کلمات و متن یاد میگیرد، SleepFM از افزایشهای ۵ ثانیهای دادههای خواب از ضبطهای کلینیکهای مختلف خواب یاد میگیرد.
پزشکان بالینی خواب این دادهها را از طریق یک تکنیک گسترده، هرچند ناخوشایند، به نام پلیسومنوگرافی (PSG) جمعآوری کردند. این «استاندارد طلایی» مطالعات خواب از حسگرهای مختلفی برای ردیابی فعالیت در مغز، قلب و سیستم تنفسی و همچنین حرکات پا و چشم در حالتهای بیهوشی استفاده میکند.
امانوئل میگنوت، استاد پزشکی خواب در استنفورد و نویسنده ارشد این مقاله، میگوید: «ما هنگام مطالعه خواب، تعداد شگفتانگیزی از سیگنالها را ثبت میکنیم.»
محققان SleepFM را از طریق تکنیک یادگیری تازه توسعهیافته خود، به نام یادگیری مقابلهای «یکبار حذف» آزمایش کردند، که در آن دادههای یک روش، مانند ضربان قلب یا جریان هوای تنفسی، حذف میشوند و SleepFM را مجبور میکنند تا اطلاعات از دست رفته را بر اساس سایر جریانهای دادههای بیولوژیکی، برونیابی کند.
برای اضافه کردن قطعه مهم پازل، محققان سپس دادههای PSG را با دهها هزار گزارش در مورد پیامدهای سلامت بلندمدت بیماران در طیف سنی مختلف، از جمله تا ۲۵ سال سوابق سلامت پیگیری، جفت کردند.
در خبرنامه رایگان ScienceAlert که توسط واقعیتها بررسی شده است، مشترک شوید
پس از تجزیه و تحلیل بیش از ۱۰۴۱ دسته بیماری در سوابق سلامت، SleepFM توانست ۱۳۰ مورد از آنها را با دقت معقول بر اساس دادههای خواب بیمار پیشبینی کند.
SleepFM به طور خاص در پیشبینی سرطانها، عوارض بارداری، بیماریهای گردش خون و اختلالات روانی مهارت پیدا کرد و «به شاخص C بالاتر از 0.8 دست یافت.»
جیمز زو، دانشمند دادههای زیستپزشکی در استنفورد و نویسنده ارشد مقاله، توضیح میدهد: «شاخص C برابر با 0.8 به این معنی است که 80 درصد مواقع، پیشبینی مدل با آنچه واقعاً اتفاق افتاده است، مطابقت دارد.»
SleepFM همچنین طبق مدل طبقهبندی AUROC، که توانایی SleepFM را در تمایز بین بیمارانی که یک رویداد سلامتی خاص را در یک دوره پیشبینی (6 ساله) تجربه میکنند و نمیکنند، ارزیابی میکند، عملکرد خوبی داشت.
به طور کلی، SleepFM از مدلهای پیشبینی فعلی پیشی گرفت و به ویژه در پیشبینی بیماری پارکینسون، حمله قلبی، سکته مغزی، بیماری مزمن کلیه، سرطان پروستات، سرطان سینه و مرگ و میر به هر علتی، عملکرد فوقالعادهای داشت و ارتباط بین عادات خواب نامناسب و پیامدهای نامطلوب سلامتی را بیشتر تأیید کرد. این میتواند نشانه اولیهای از شرایط مختلفی باشد که باعث خواب نامناسب میشوند.
اگرچه برخی از انواع دادهها و مراحل خواب پیشبینیکنندههای دقیقتری نسبت به سایرین بودند، اما بهترین نتایج مدیون روابط متقابل و تضادهای بدنی بودند.
به طور خاص، قابل اعتمادترین پیشبینیکنندههای بیماری، عملکردهای فیزیولوژیکی بودند که ناهماهنگ به نظر میرسیدند: میگنوت توضیح میدهد: “برای مثال، مغزی که به نظر خواب میرسد اما قلبی که به نظر بیدار میرسد – به نظر میرسد مشکل را نشان میدهد.”
محققان به چندین محدودیت، مانند تکامل شیوههای بالینی و جمعیتهای بیمار در دهههای اخیر، اشاره میکنند. علاوه بر این، دادهها از بیمارانی که برای مطالعات خواب ارجاع داده شده بودند، گرفته شده است، به این معنی که بخشی از جمعیت عمومی در دادههای PSG کمتر نشان داده شده است.
با این حال، علیرغم جنجال هوش مصنوعی در حوزههایی مانند هنر، پتانسیل مراقبتهای بهداشتی آن یادآوری نجاتبخشی از قابلیتهای ارزشمند و علمی الهامبخش عوامل هوش مصنوعی است. به عنوان مثال، موارد استفاده آینده میتوانند SleepFM را با دستگاههای خواب پوشیدنی ترکیب کنند تا نظارت بر سلامت را در زمان واقعی ارائه دهند.
بنابراین، همانطور که مدلهای زبان بزرگ (LLM) با مرتبط کردن کلمات و متن، زبان ما را یاد میگیرند، “SleepFM اساساً زبان خواب را یاد میگیرد.” زو میگوید.
