AI već nakon jedne noći sna prepoznaje rizik od više od 130 bolesti

Iz signala prikupljenih tokom samo jedne noći u laboratoriji za spavanje, novi AI može procijeniti budući rizik za oko 130 bolesti – među njima Parkinsonovu bolest, demenciju, srčani udar, kao i rak prostate i rak dojke.

I to „godinama prije nego što se pojave prvi simptomi“, kaže James Zou, naučnik za podatke sa Stanford University i jedan od autora studije objavljene u stručnom časopisu Nature Medicine.

Novi AI model nosi naziv SleepFM i treniran je na stotinama hiljada sati podataka o snu. Razvijen je u timu koji je predvodio Rahul Thapa, biomedicinski naučnik za podatke sa Stanford University.

Kako AI uči da „čita“ san

Ispitivanje i mjerenje sna u laboratoriji za spavanje naziva se polisomnografija. Tom prilikom se istovremeno bilježe moždani talasi, srčana aktivnost, disanje, mišićna napetost, kao i pokreti očiju i nogu. Za SleepFM tim je koristio oko 585.000 sati takvih zapisa od približno 65.000 osoba iz više grupa, uglavnom iz Stanford Sleep Medicine Center.

Tokom početnog treninga AI je učila kako su signali mozga, srca i disanja usklađeni tokom normalnog sna. Na taj način model statistički usvaja svojevrsni „jezik sna“.

Od signala sna do prognoze bolesti

Nakon osnovnog treninga, SleepFM je dodatno prilagođen zadacima kao što su prepoznavanje faza sna i dijagnostika apneje u snu, pri čemu postiže rezultate koji su konkurentni etabliranim metodama poput U-Sleep ili YASA.

Ova dva programa koriste podatke dobijene snimanjem moždanih talasa (EEG) i pomažu istraživačima da prepoznaju i analiziraju faze sna.

Zatim su istraživači povezali podatke o snu s elektronskim zdravstvenim kartonima koji obuhvataju period do 25 godina unazad i provjerili koje se kasnije dijagnoze mogu predvidjeti na osnovu samo jedne noći mjerenja.

Iz više od 1.000 kategorija model je identifikovao 130 bolesti čiji se rizik mogao prognozirati s najmanje umjerenom do visokom tačnošću. Prvi autor Rahul Thapa dodatno naglašava da pristup pokazuje „da rutinska mjerenja sna otvaraju do sada potcijenjen prozor u dugoročno zdravlje čovjeka“.

Posebno uspješna bila je prognoza za demenciju, Parkinsonovu bolest, srčani udar, srčanu insuficijenciju, određene vrste raka, kao i ukupnu smrtnost. „U principu, AI model se može trenirati za vrlo mnogo mogućih prognoza, pod uslovom da za to postoji odgovarajuća baza podataka“, kaže Sebastian Büschges, stručnjak za san sa Institute for Medical Informatics at TU Dortmund University, koji nije učestvovao u studiji.

Šta AI prepoznaje u tijelu tokom sna

Analiza pokazuje da srčani signali posebno mnogo doprinose predviđanju kardiovaskularnih bolesti, dok su moždani signali važniji za neurološke i psihičke poremećaje. Najinformativnija je, međutim, kombinacija različitih signala – na primjer kada EEG pokazuje stabilno stanje sna, dok srce djeluje više „budno“.

Takve proturječnosti između mozga i srca mogle bi ukazivati na skrivena opterećenja ili rane procese bolesti, mnogo prije nego što simptomi postanu uočljivi. „Ako kolege iz medicine spavanja imaju sumnju na određenu povezanost, mi iz oblasti AI to možemo pretočiti u prognostički sistem – a istovremeno ukazati na to gdje bi mogle postojati veze“, kaže Büschges.

„Veze koje mi isporučujemo uglavnom su statističke prirode. Uzročne veze moraju potvrditi medicinski stručnjaci“, naglasio je stručnjak za san iz Dortmunda u pisanom odgovoru za DW.

Koliko su pouzdani laboratorijski podaci?

Osnova modela su prvenstveno podaci iz laboratorija za spavanje, dakle od ljudi koji su najčešće upućeni na liječenje zbog problema sa snom i koji žive u bogatijim regijama s pristupom visokotehnološkoj medicini. Iako istraživači integrišu više američkih i evropskih grupa, takozvanih kohorti, model se dodatno testira u nezavisnoj studiji. Ipak, osobe bez tegoba sa snom ili iz slabije zdravstveno zbrinutih dijelova svijeta ostaju nedovoljno zastupljene.

Šanse i ograničenja za dijagnostiku i terapiju

Istraživači izričito naglašavaju da SleepFM ne otkriva uzroke bolesti, već korelacije – on prepoznaje statističke obrasce u snu koji mogu biti povezani s kasnijim dijagnozama.

„Većina AI metoda ne uči uzročne veze“, objašnjava informatičar Matthias Jacobs sa TU Dortmund University, koji istražuje AI i metode mašinskog učenja (ML) za analizu podataka o snu i nije učestvovao u studiji.

ML metode su računski postupci pomoću kojih računari uče da u ponuđenim podacima prepoznaju obrasce i donose predviđanja bez potrebe da svako pravilo bude eksplicitno programirano.

Uprkos tome, Jacobs vidi „veliki potencijal za dijagnostiku i terapiju, čak i ako se koriste isključivo statističke veze“.

AI pomaže čovjeku, ali ga ne zamjenjuje

Modeli poput SleepFM-a sažimaju ogromne količine podataka iz polisomnografije u takozvane „embeddings“, odnosno kompaktne numeričke reprezentacije koje omogućavaju bržu i često precizniju analizu. „Faze sna ili apneja mogu se tako efikasno zabilježiti – što je ručno vrlo dugotrajan posao sklon greškama. Time ljekarima ostaje više vremena za pacijente“, kaže Jacobs.

Stručnjak za san Büschges istovremeno naglašava važnost interdisciplinarne saradnje: „AI se može vrlo dobro istrenirati za planiranje terapije, ali čovjek tumači rezultate i bira terapiju, često i bez potpunog poznavanja svih uzroka.“

Na taj način AI ostaje alat i sistem ranog upozorenja – dok odgovornost za dijagnozu i liječenje i dalje ostaje na medicinskom osoblju.

Da li i u kojoj mjeri otkriveni obrasci ukazuju na osnovne biološke mehanizme još je otvoreno pitanje. Upravo tu istraživači vide veliki potencijal.

Ako se određeni signalni profili sna iznova povezuju s pojedinim bolestima, oni bi mogli pružiti naznake o tome koji procesi u nervnom, kardiovaskularnom ili imunološkom sistemu rano gube ravnotežu – i time omogućiti bolje razumijevanje zdravlja ljudi i izvan dosadašnjih kohorti laboratorija za spavanje.