Onderzoekers van de Icahn School of Medicine hebben een krachtige AI-tool ontwikkeld op basis van dezelfde transformatorarchitectuur die wordt gebruikt door grote taalmodellen zoals ChatGPT om een hele nacht slaap te verwerken. Tot nu toe is het een van de grootste onderzoeken, waarin 1.011.192 uur slaap is geanalyseerd. Het model, genaamd de Patch-Foundational-Transformer for Sleep (PFTSleep), analyseert hersengolven, spieractiviteit, hartslag en ademhalingspatronen om slaapstadia effectiever te classificeren dan conventionele methoden, slaapanalyse te optimaliseren, variabiliteit te verminderen en toekomstige klinische hulpmiddelen voor het detecteren van slaapstoornissen en andere gezondheidsrisico’s te ondersteunen. Details van hun bevindingen zijn gepubliceerd in de online editie van het tijdschrift “Sleep”.

Potentiële gebieden waar AI kan worden toegepast

Kunstmatige intelligentie kan een belangrijke bijdrage leveren aan de slaapgeneeskunde. AI op het gebied van slaap heeft potentiële toepassingen op drie belangrijke gebieden:

• Klinische toepassingen: In de klinische setting bieden AI-gestuurde technologieën uitgebreide gegevensanalyse, geavanceerde patroonherkenning en automatisering bij de diagnose, terwijl tegelijkertijd chronische problemen zoals slaapstoornissen van de ademhaling worden aangepakt. Ondanks een bescheiden begin kan het gebruik van AI leiden tot verbeteringen in efficiëntie en toegankelijkheid voor patiënten, wat kan helpen bij het verminderen van burn-out onder zorgverleners.
• Beheer van levensstijl: De integratie van AI biedt ook duidelijke voordelen voor lifestyle management door het gebruik van consumentenslaaptechnologie. Deze apparaten zijn er in verschillende vormen, zoals fitnesstrackers, smartphone-apps en slimme ringen, en helpen de slaapgezondheid te verbeteren door slaap te volgen, te evalueren en te verbeteren. Draagbare slaaptechnologie en gegevensgestuurde leefstijlaanbevelingen kunnen patiënten in staat stellen om een actieve rol te spelen bij het beheren van hun gezondheid, zoals blijkt uit een recente AASM-enquête waarin 68% van de volwassenen die een slaaptracker hebben gebruikt, meldden dat ze hun gedrag hadden veranderd op basis van de verkregen inzichten. Naarmate deze AI-gestuurde toepassingen echter steeds intuïtiever worden, blijft een voortdurende dialoog tussen patiënten en artsen over de mogelijkheden en beperkingen van deze innovaties van cruciaal belang.
• Volksgezondheid: Naast de individuele zorgomgeving opent AI-technologie een nieuwe benadering van de volksgezondheid met betrekking tot slaap. AI heeft het opwindende potentieel om omgevings-, gedrags- en fysiologische gegevens te synthetiseren, wat bijdraagt aan goed geïnformeerde interventies op populatieniveau en het aanpakken van bestaande lacunes in de gezondheidszorg.

Nieuwe techniek optimaliseert slaapscores en ondersteunt toekomstige klinische hulpmiddelen voor het opsporen van slaapstoornissen en andere gezondheidsrisico’s

De huidige slaapscores zijn vaak afhankelijk van menselijke experts die handmatig korte segmenten van slaapgegevens evalueren, of van AI-modellen die niet in staat zijn om de hele nacht van een patiënt te analyseren. Deze nieuwe benadering, ontwikkeld op basis van duizenden slaapregistraties, biedt een uitgebreider beeld. Het model, dat getraind is op volledige slaapgegevens, kan slaappatronen detecteren gedurende de hele nacht en bij verschillende populaties en instellingen, wat een gestandaardiseerde en schaalbare methode oplevert voor slaaponderzoek en klinisch gebruik, aldus de onderzoekers. “Dit is een stap voorwaarts in AI-gestuurde slaapscoring en interpretatie,” zegt eerste auteur Benjamin Fox, een promovendus aan de Icahn School of Medicine at Mount Sinai in het Training Program in Artificial Intelligence and Emerging Technologies. Door AI op deze manier te gebruiken kunnen relevante klinische kenmerken direct worden afgeleid uit signaalgegevens van slaaponderzoeken voor gebruik bij slaapscores en, in de toekomst, andere klinische toepassingen zoals slaapapneu-detectie of beoordeling van gezondheidsrisico’s gerelateerd aan slaapkwaliteit.

Het model is getraind op een grote dataset van slaaponderzoeken (polysomnogrammen), die belangrijke fysiologische signalen meten, waaronder hersenactiviteit, spiertonus, hartslag en ademhalingspatronen. In tegenstelling tot conventionele AI-modellen die alleen korte segmenten van 30 seconden analyseren, houdt dit nieuwe model rekening met de hele nachtrust, waardoor meer gedetailleerde en genuanceerde patronen worden vastgelegd. Bovendien is het model getraind met behulp van een methode die bekend staat als zelf-supervisie, wat helpt om relevante klinische kenmerken te leren van fysiologische signalen zonder dat er menselijke labeling van uitkomsten nodig is. “Onze bevindingen suggereren dat AI de manier kan veranderen waarop we slaap screenen en begrijpen,” zegt co-senior auteur Ankit Parekh, PhD, assistent-professor geneeskunde (long-, kritieke zorg- en slaapgeneeskunde) aan de Icahn School of Medicine in Mount Sinai en directeur van de Sleep and Circadian Analysis Group in Mount Sinai. ”

Het volgende doel van de onderzoekers is om de technologie te verfijnen voor klinische toepassingen, bijvoorbeeld om slaapgerelateerde gezondheidsrisico’s efficiënter te identificeren. De onderzoekers benadrukken dat deze AI-tool weliswaar veelbelovend is, maar geen klinische expertise kan vervangen. In plaats daarvan is het ontworpen om te dienen als een krachtig hulpmiddel voor slaapspecialisten en om slaapanalyses te versnellen en standaardiseren. Vervolgens is het team van plan om hun onderzoek te richten op het uitbreiden van de mogelijkheden van slaapstadiumclassificatie naar slaapstoornisdetectie en voorspelling van gezondheidsuitkomsten.