Forskere ved Icahn School of Medicine har udviklet et kraftfuldt AI-værktøj baseret på den samme transformerarkitektur, som bruges af store sprogmodeller som ChatGPT, til at behandle en hel nats søvn. Til dato er det en af de største undersøgelser, der har analyseret 1.011.192 timers søvn. Modellen, der kaldes Patch-Foundational-Transformer for Sleep (PFTSleep), analyserer hjernebølger, muskelaktivitet, hjertefrekvens og vejrtrækningsmønstre for at klassificere søvnstadier mere effektivt end konventionelle metoder, optimere søvnanalyse, reducere variabilitet og understøtte fremtidige kliniske værktøjer til at opdage søvnforstyrrelser og andre sundhedsrisici. Detaljer om deres resultater er blevet offentliggjort i onlineudgaven af tidsskriftet “Sleep”.

Potentielle områder, hvor AI kan anvendes

Kunstig intelligens kan yde et væsentligt bidrag til søvnmedicin. AI inden for søvn har potentielle anvendelser inden for tre nøgleområder:

• Kliniske anvendelser: I det kliniske miljø giver AI-drevne teknologier omfattende dataanalyse, sofistikeret mønstergenkendelse og automatisering af diagnoser, samtidig med at de løser kroniske problemer som f.eks. søvnforstyrrede åndedrætsforstyrrelser. Trods en beskeden begyndelse kan brugen af AI føre til forbedringer i effektivitet og patientadgang, hvilket kan hjælpe med at reducere udbrændthed blandt sundhedspersonalet.
• Livsstilsstyring: Integrationen af AI giver også klare fordele for livsstilsstyring gennem brug af søvnteknologi til forbrugere. Disse enheder findes i mange forskellige former, f.eks. fitness-trackere, smartphone-apps og smarte ringe, og de hjælper med at forbedre søvnsundheden ved at spore, evaluere og forbedre søvnen. Bærbar søvnteknologi og datadrevne livsstilsanbefalinger kan give patienterne mulighed for at tage en aktiv rolle i håndteringen af deres helbred, som det fremgår af en nylig AASM-undersøgelse, hvor 68% af de voksne, der har brugt en søvnmåler, rapporterede, at de havde ændret adfærd baseret på den opnåede indsigt. Men efterhånden som disse AI-drevne applikationer bliver mere og mere intuitive, er en løbende dialog mellem patienter og klinikere om potentialet og begrænsningerne ved disse innovationer fortsat afgørende.
• Befolkningens sundhed: Ud over den individuelle pleje åbner AI-teknologien op for en ny tilgang til folkesundhed i forbindelse med søvn. AI har et spændende potentiale til at syntetisere miljømæssige, adfærdsmæssige og fysiologiske data, hvilket bidrager til informerede interventioner på befolkningsniveau og afhjælper eksisterende huller i sundhedsplejen.

Ny teknik optimerer søvnscoring og understøtter fremtidige kliniske værktøjer til at opdage søvnforstyrrelser og andre sundhedsrisici

Nuværende søvnscoring er ofte afhængig af menneskelige eksperter, der manuelt evaluerer korte segmenter af søvndata, eller af AI-modeller, der ikke er i stand til at analysere en hel patients nat. Denne nye tilgang, der er udviklet på baggrund af tusindvis af søvnoptagelser, giver et mere omfattende overblik. Modellen er trænet på søvndata i fuld længde og kan registrere søvnmønstre hele natten og på tværs af forskellige populationer og miljøer, hvilket giver en standardiseret og skalerbar metode til søvnforskning og klinisk brug, siger forskerne. “Dette er et skridt fremad inden for AI-drevet søvnvurdering og -fortolkning”, siger førsteforfatter Benjamin Fox, som er ph.d.-studerende ved Icahn School of Medicine på Mount Sinai i træningsprogrammet for kunstig intelligens og nye teknologier. Ved at bruge AI på denne måde kan man direkte udlede relevante kliniske træk fra søvnundersøgelsessignaldata til brug for søvnvurdering og i fremtiden andre kliniske anvendelser som f.eks. påvisning af søvnapnø eller vurdering af sundhedsrisici i forbindelse med søvnkvalitet.

Modellen blev trænet på et stort datasæt af søvnundersøgelser (polysomnogrammer), som måler vigtige fysiologiske signaler, herunder hjerneaktivitet, muskeltonus, hjertefrekvens og vejrtrækningsmønstre. I modsætning til konventionelle AI-modeller, der kun analyserer korte 30-sekunders segmenter, tager denne nye model hele nattens søvn i betragtning og fanger mere detaljerede og nuancerede mønstre. Desuden er modellen trænet ved hjælp af en metode, der kaldes selvsupervision, som hjælper med at lære relevante kliniske træk fra fysiologiske signaler uden behov for menneskelig mærkning af resultater. “Vores resultater tyder på, at AI kan ændre den måde, vi screener og forstår søvn på”, siger Ankit Parekh, ph.d., medforfatter og assisterende professor i medicin (lunge-, kritisk pleje- og søvnmedicin) ved Icahn School of Medicine på Mount Sinai og direktør for Sleep and Circadian Analysis Group på Mount Sinai. ”

Forskernes næste mål er at forfine teknologien til kliniske anvendelser, f.eks. til mere effektivt at identificere søvnrelaterede sundhedsrisici. Forskerne understreger, at selv om dette AI-værktøj er lovende, kan det ikke erstatte klinisk ekspertise. I stedet er det designet til at fungere som en stærk hjælp for søvnspecialister og til at hjælpe med at fremskynde og standardisere søvnanalyser. Dernæst planlægger teamet at rette deres forskning mod at udvide mulighederne ud over klassificering af søvnstadier til påvisning af søvnforstyrrelser og forudsigelse af sundhedsresultater.