Stanford araştırmacıları, bir gece boyunca yapılan ayrıntılı uyku kaydından (polysomnografi) elde edilen verilerle gelecekte ortaya çıkabilecek hastalıkları tahmin eden bir yapay zeka modeli geliştirdi. SleepFM adlı model 585.000 saatlik veriyi (yaklaşık 65.000 kişi) beş saniyelik segmentlere ayırıp ‘uyku dilini’ öğreniyor ve çoklu fizyolojik akışları bir arada değerlendiriyor. Araştırma, uyku kayıtlarını on yıllara yayılan sağlık kayıtlarıyla eşleştirerek 130 hastalık kategorisinde anlamlı tahminler elde etti; Parkinson, demans, bazı kanserler ve kalp hastalıkları öne çıkan sonuçlar arasında. Ekip, modelin hangi sinyalleri kullandığını anlamaya yönelik yorumlama yöntemleri geliştiriyor ve gelecekte takip için giyilebilir cihaz verilerinin de eklenebileceğini belirtiyor.
SleepFM nedir ve nasıl eğitildi?
Stanford ekibinin geliştirdiği SleepFM, polisinomnografi ile kaydedilen beyin, kalp, solunum, göz ve kas aktiviteleri gibi çoklu fizyolojik kanalları aynı anda işleyen bir ‘multimodal’ foundation modeldir. Araştırmada yaklaşık 585.000 saatlik uyku kaydı, 65.000 kişiye ait verilerden elde edildi; her kayıt beş saniyelik segmentlere bölünerek modelin bir uyku dilini öğrenmesi sağlandı. Ekip, farklı veri kanallarını uyumlu hâle getirmek için “leave-one-out contrastive learning” adlı bir eğitim yöntemi uyguladı; bu yöntem bir kanal çıkarıldığında modelin onu diğer kanallardan yeniden tahmin etmeye çalışmasına dayanıyor.
Ne kadar isabetli ve ne anlama geliyor?
SleepFM, binin üzerinde hastalık kategorisi arasında 130 koşulu uyku verilerinden makul doğrulukla tahmin edebildi. En yüksek performanslar arasında Parkinson (C-index 0.89), prostat kanseri (0.89), meme kanseri (0.87), demans (0.85), hipertansif kalp hastalığı (0.84), kalp krizi (0.81) ve genel ölüm riski (0.84) yer aldı. Bu sonuçlar, bir geceye ait zengin uyku sinyallerinin uzun vadeli sağlık hakkında önceden haber verebileceğini; klinik uygulamalarda şimdiye dek göz ardı edilen uyarı işaretleri barındırdığını gösteriyor. Araştırmacılar modeli daha iyi anlamak için yorumlama teknikleri geliştiriyor ve gelecekte giyilebilir cihaz verilerini ekleyerek erişilebilirliği artırmayı hedefliyor. Çalışma Nature Medicine’de yayımlandı ve Stanford Sleep Medicine Center kayıtları ile on yıllara yayılan sağlık verilerinin eşleştirilmesiyle gerçekleştirildi.
Bir Cevap Bırakın