EN
طور الباحثون في جامعة ستانفورد نموذج الذكاء الاصطناعي SleepFM، القادر على التنبؤ بمخاطر الإصابة بأكثر من 130 حالة صحية استنادا إلى بيانات من نوم ليلة واحدة مسجلة عن طريق تخطيط النوم.
يلتقط امتحان إيسي، الذي يعتبر المعيار الذهبي لتحليل النوم، إشارات فسيولوجية مفصلة، مثل الدماغ والقلب والنشاط التنفسي وحركات الجسم. تم تدريب النموذج بحوالي 585000 ساعة من السجلات من أكثر من 65000 مشارك، مما سمح له بتحديد الأنماط التي تشير إلى المخاطر المستقبلية للأمراض الخطيرة.
يتضمن تخطيط النوم توصيل أجهزة الاستشعار بالمريض أثناء النوم في العيادات المتخصصة. تعمل بيانات Esses، الغنية بالمعلومات حول أداء الكائن الحي، الآن على التنبؤ بالظروف التي قد تنشأ بعد سنوات. يستخدم SleepFM التعلم تحت الإشراف الذاتي، دون الحاجة إلى وضع العلامات اليدوية الشاملة، مما يمثل تحسنا على النماذج السابقة التي تقتصر على مهام محددة.
تظهر النتائج أن النموذج يتفوق أو يساوي الأدوات الحالية في تحليل النوم التقليدي، مثل تصنيف مرحلة النوم والكشف عن توقف التنفس.
تطوير نموذج SleepFM
اختار فريق ستانفورد نهجا نموذجيا قائما، على غرار تلك المستخدمة في لغات مثل ChatGPT، ولكنها تنطبق على البيانات الفسيولوجية. تم التدريب باستخدام كميات هائلة من البيانات غير المسماة، مما سمح ل SleepFM بتعلم العلاقات العميقة بين إشارات الجسم المختلفة. الابتكار الرئيسي هو التعلم المتناقض، حيث يعيد النموذج بناء إشارة مفقودة من الآخرين، مما يعزز فهمه للترابطات بين الدماغ والقلب والتنفس.
تجمع هذه البنية بين الشبكات الالتفافية لمعالجة الإشارات الزمنية والمحولات لالتقاط التبعيات الطويلة. بالإضافة إلى ذلك، تقوم آلية الانتباه اللاأدرية بالقناة بضبط الأوزان تلقائيا عندما تكون الإشارة مفقودة أو صاخبة، مما يجعل النموذج قويا للاستخدام في البيئات السريرية المختلفة. تضمنت مجموعة البيانات سجلات من العديد من العيادات، تغطي المرضى من مختلف الأعمار.
أظهر SleepFM استقرارا في مهام تحليل النوم، متفوقا على النماذج التقليدية الخاضعة للإشراف من حيث الدقة.
الدقة في التنبؤ بالمرض
حدد النموذج 130 حالة يمكن التنبؤ بها بدقة معقولة من النوم ليلا، بما في ذلك الوفيات الناجمة عن جميع الأسباب والخرف واحتشاء عضلة القلب وفشل القلب وأمراض الكلى المزمنة والسكتة الدماغية والرجفان الأذيني. بالنسبة للعديد منهم، يتجاوز مؤشر الاتفاقية (مؤشر C) 0.80، مما يشير إلى قدرة قوية على تصنيف المخاطر الفردية. حدثت أقوى Previsões في السرطانات ومضاعفات الحمل وأمراض الدورة الدموية والاضطرابات العقلية.
مرض باركنسون: دقة عالية في الكشف المبكر.
الخرف: خطر تم تحديده بمعدل نجاح مرتفع.
النوبة القلبية: تكشف الأنماط الليلية عن نقاط ضعف القلب.
سرطانات محددة: مثل البروستاتا والثدي، مع أداء جيد.
تستند هذه النتائج إلى المطابقة مع السجلات الطبية طويلة الأجل، مع الأخذ في الاعتبار فقط التشخيصات اللاحقة لفحص النوم. لا يقوم النموذج بتشخيص المخاطر بشكل مباشر، ولكنه يقوم بتقسيم المخاطر إحصائيا.
البيانات المستخدمة في التدريب
شمل تدريب SleepFM مخططات النوم المتعددة من أربعة أفواج رئيسية، بما في ذلك عيادة النوم في ستانفورد، مع سجلات تعود إلى عام 1999. يتجاوز الحجم الإجمالي المجموعات المستخدمة في دراسات التعلم الآلي السابقة للنوم عدة مرات.
يتراوح المشاركون من الأطفال إلى كبار السن، مما يعكس العمر والتنوع السريري.
التطبيقات السريرية العملية
يفتح SleepFM الطريق لاستخدام تخطيط النوم المتعدد بما يتجاوز تشخيص اضطرابات النوم، ويحوله إلى أداة فحص صحية عامة. في العيادات، يمكن أن يساعد في التحديد المبكر لمخاطر الأمراض المزمنة، مما يسمح بالتدخلات الوقائية. تسهل متانة سوا للاختلافات في أجهزة الاستشعار التطبيق في المراكز الطبية المختلفة.
يسلط الباحثون الضوء على أن الإشارات الليلية تكشف عن رؤية متكاملة للكائن الحي، يتم التقاطها خلال ساعات غير منقطعة. يمكن لإصدارات Futuras دمج البيانات من الأجهزة القابلة للارتداء مثل الساعات الذكية، مما يوسع نطاق الوصول خارج المختبرات.
الإمكانات المستقبلية للتكنولوجيا
تشمل التطورات في SleepFM تقنيات التفسير لفهم الأنماط التي يعطيها النموذج الأولوية في تنبؤات محددة. يمكن للتكامل مع البيانات اليومية من الأجهزة القابلة للارتداء زيادة تحسين تقديرات المخاطر. يمثل النموذج خطوة نحو مراقبة النوم المستمرة والقابلة للتطوير كمؤشر على الصحة العالمية.
المصدر: mixvale
