Die Wissenschaftler beschlossen zu untersuchen, wie Schlaf mit verschiedenen Krankheiten zusammenhängt. Sie konzentrierten sich auf die Polysomnografie (PSG), eine Standardmethode, die während der Nacht Signale von Gehirn, Herz, Muskeln und Atmung aufzeichnet. Ziel war es, ein Modell namens SleepFM zu entwickeln, das anhand dieser Daten zukünftige Erkrankungen vorhersagen kann. Sie verwendeten eine enorme Datenmenge – mehr als 585.000 Stunden an Aufzeichnungen von rund 65.000 Menschen aus Forschungseinrichtungen wie der Stanford Sleep Clinic (SSC), BioSerenity und weiteren. Diese Daten umfassten Menschen im Alter von 1 bis 100 Jahren.
Um dies zu untersuchen, sammelten sie PSG-Aufzeichnungen aus verschiedenen Zentren. Jede Aufzeichnung enthielt Signale wie Elektroenzephalogramm (EEG), Elektrokardiogramm (EKG), Elektromyogramm (EMG) und Atemsignale. Sie verarbeiteten die Daten vor, indem sie zur Vereinheitlichung alle Signale auf eine Frequenz von 128 Hz umwandelten. Anschließend teilten sie sie in 5-Sekunden-Fenster auf, die als grundlegende Einheiten für das Modell dienten.
Das SleepFM-Modell trainierten sie mithilfe einer Methode namens kontrastives Leave-one-out-Lernen (LOO-CL). Diese Technik vergleicht Signale aus verschiedenen Modalitäten (Gehirn, Herz oder Atmung) und bringt dem Modell bei, gemeinsame Muster zu erkennen, selbst wenn einige Kanäle fehlen. Die Architektur umfasste eindimensionale Faltungsschichten zur Merkmalsextraktion, anschließend Attention-Pooling, das eine unterschiedliche Anzahl von Kanälen verarbeitet, sowie einen Transformer-Block zur Erfassung zeitlicher Abhängigkeiten in 5-Minuten-Fenstern. Sie trainierten das Modell auf Daten von SSC, BioSerenity, MESA und MrOS vor, während sie die Sleep Heart Health Study (SHHS) für den Test der Generalisierungsfähigkeit zurückhielten.
Für die Vorhersage von Krankheiten verknüpften sie die PSG-Daten mit elektronischen Gesundheitsakten (EHR) der SSC. Sie ordneten die Diagnosen 1868 Phecode-Kategorien zu und wählten diejenigen mit einer Prävalenz von über 1,5 % aus. Als positive Fälle definierten sie jene, bei denen die Krankheit mehr als 7 Tage nach der PSG-Untersuchung auftrat. Sie nahmen eine Feinabstimmung des Modells mit einem zweischichtigen LSTM-Netzwerk (Long Short-Term Memory) auf eingefrorenen Embeddings vor, ergänzten Alter und Geschlecht und verwendeten für die Vorhersage eine Multilabel-Cox-Proportional-Hazards-Verlustfunktion.
Ergebnisse
Die Ergebnisse zeigten, dass das SleepFM-Modell 130 verschiedene Krankheiten mit hoher Genauigkeit vorhersagen kann – mit einer Erfolgsquote von mindestens 75 % auf einer Skala von 0 bis 100 %, wobei 50 % zufälligem Raten und 100 % einer perfekten Vorhersage entsprechen würden (und diese Ergebnisse sind statistisch zuverlässig, mit einer sehr geringen Wahrscheinlichkeit, dass sie auf Zufall beruhen). So sagt es beispielsweise das Risiko der Gesamtsterblichkeit mit einer Genauigkeit von 84 %, Demenz mit 85 %, Herzinfarkt mit 81 %, Herzinsuffizienz mit 80 %, chronische Nierenerkrankungen mit 79 %, Schlaganfall mit 78 % und Vorhofflimmern mit 78 % voraus. Und das alles ausschließlich auf Grundlage der Daten einer einzigen Nacht Schlaf. Das Modell funktionierte auch hervorragend mit den Daten einer anderen Studie namens SHHS, in der es Schlaganfälle mit einer Genauigkeit von 82 %, Herzinsuffizienz mit 85 % und Todesfälle aufgrund von Herz-Kreislauf-Erkrankungen mit 88 % vorhersagte
Dieses Modell übertrifft Basismodelle, etwa ein Modell, das ausschließlich auf demografischen Daten (Alter, Geschlecht, BMI, ethnische Zugehörigkeit) basiert, oder ein End-to-End-Modell mit PSG-Rohdaten. Bei der Vorhersage von Todesfällen erreichte das Modell beispielsweise eine Genauigkeit von 85 %, während das grundlegende Vergleichsmodell nur 78 % erzielte. Bei dieser Kennzahl lag die Verbesserung je nach Krankheitskategorie, etwa bei neurologischen, kardiovaskulären oder hormonellen Erkrankungen, zwischen 5 % und 17 %.
Die Modalitätsanalyse zeigte, dass Signale aus dem Gehirn (BAS) am besten für psychische und neurologische Erkrankungen geeignet sind, Atemsignale für Atemwegs- und Stoffwechselerkrankungen und EKG-Signale für Herzerkrankungen. Die besten Ergebnisse lieferte jedoch die Kombination aller Signale. Das Modell ließ sich auch auf Daten aus der Zeit nach 2020 sowie auf SHHS verallgemeinern, mit denen es nicht trainiert worden war.
SleepFM eröffnet neue Möglichkeiten für eine bessere Nutzung von Schlafdaten zur Vorhersage von Krankheiten, wobei Skalierbarkeit und Genauigkeit ohne manuelle Datenbeschriftung im Vordergrund stehen.
