Rutynowe badanie snu może zawierać znacznie więcej informacji o przyszłym zdrowiu pacjenta, niż dotychczas wykorzystywano. Naukowcy opracowali model sztucznej inteligencji, który analizując dane z polisomnografii, identyfikuje wzorce związane m.in. z chorobami serca, pogorszeniem funkcji poznawczych i ryzykiem zgonu. W grupie najwyższego ryzyka prawdopodobieństwo śmierci w ciągu pięciu lat było dwukrotnie większe niż w grupie najniższego ryzyka.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja wykorzystuje dane z rutynowych badań snu do identyfikowania długoterminowego ryzyka chorób i zgonu.
- Jakie ukryte wzorce fizjologiczne AI wykryła w danych z polisomnografii oraz dlaczego mogą one dostarczać więcej informacji niż standardowe wskaźniki kliniczne.
- Dlaczego pacjenci zakwalifikowani przez model do grupy najwyższego ryzyka mieli dwukrotnie wyższe ryzyko zgonu w ciągu pięciu lat niż osoby z grupy najniższego ryzyka.
- Jak AI może zwiększyć wartość rutynowych badań snu i w przyszłości wspierać bardziej spersonalizowaną ocenę ryzyka chorób sercowo-naczyniowych i neurologicznych.
AI znalazła ukryte informacje w rutynowych badaniach snu
Badanie opublikowane w „Nature Communications” pokazuje, że dane zbierane podczas jednej nocy w laboratorium snu mogą dostarczać informacji wykraczających daleko poza diagnostykę zaburzeń oddychania podczas snu. Polisomnografia jednocześnie rejestruje wiele sygnałów fizjologicznych związanych m.in. z pracą mózgu, serca, płuc i mięśni. W praktyce klinicznej ogromna część tych danych jest jednak sprowadzana do kilku podstawowych parametrów.
Przez dekady sprowadzaliśmy wyniki nocnych badań snu do kilku zbiorczych pomiarów. Sztuczna inteligencja daje nam możliwość wyjścia poza te podsumowania i poznania pełnego bogactwa fizjologii snu – powiedziała Reena Mehra, dr n. med., profesor medycyny na Uniwersytecie Waszyngtońskim i główna autorka badań klinicznych.
Pięć grup pacjentów o różnym ryzyku zdrowotnym
Model opracowano z wykorzystaniem danych z rejestru STARLIT (Sleep Signals, Testing, and Reports Linked to Patient Traits) prowadzonego przez Cleveland Clinic. Algorytm analizował złożone sygnały z badań snu i na ich podstawie wyodrębnił pięć kategorii pacjentów różniących się długoterminowym ryzykiem zdrowotnym.
Różnice okazały się znaczące. Pacjenci zakwalifikowani do grupy najwyższego ryzyka mieli dwukrotnie większe ryzyko zgonu w ciągu kolejnych pięciu lat niż osoby z grupy najniższego ryzyka.
Co istotne, tej różnicy nie odzwierciedlał standardowo stosowany wskaźnik bezdechu i spłycenia oddechu (AHI), wykorzystywany do oceny nasilenia bezdechu sennego. Model dobrze przewidywał również wyniki zarówno u kobiet, jak i mężczyzn. Ma to znaczenie, ponieważ AHI historycznie charakteryzował się lepszą skutecznością prognostyczną u mężczyzn. Wyniki działania modelu zostały dodatkowo niezależnie potwierdzone w ogólnokrajowej kohorcie pacjentów.
AI może wykrywać ryzyko chorób serca i pogorszenia funkcji poznawczych
Analiza pozwoliła zidentyfikować ukryte wzorce fizjologiczne związane nie tylko ze śmiertelnością, lecz także z ryzykiem chorób układu krążenia oraz pogorszenia funkcji poznawczych. Sztuczna inteligencja może więc pomóc w wydobywaniu z rutynowych badań biomarkerów prognostycznych, których nie można łatwo zidentyfikować poprzez tradycyjną analizę pojedynczych parametrów.
Nowoczesna sztuczna inteligencja pozwala nam uzyskać znacznie więcej informacji zawartych w nocnych wynikach badań fizjologicznych snu, ujawniając klinicznie istotne grupy pacjentów o bardzo zróżnicowanym długoterminowym ryzyku zdrowotnym – powiedział dr Jeffrey Rogers, autor korespondencyjny i profesor nadzwyczajny neurochirurgii w Yale School of Medicine. Te odkrycia dowodzą, że rutynowe badania medyczne mogą zawierać znacznie więcej informacji fizjologicznych niż te, które są obecnie dostępne w praktyce klinicznej.
Miliony badań snu mogą zawierać niewykorzystane dane
Potencjalne znaczenie technologii jest duże ze względu na skalę wykonywanych badań. Według autorów każdego roku w Stanach Zjednoczonych przeprowadza się około 1–4 mln polisomnogramów, przede wszystkim w diagnostyce bezdechu sennego. Jednocześnie niemal 70 mln Amerykanów żyje z przewlekłymi zaburzeniami snu i czuwania, które mogą wpływać zarówno na codzienne funkcjonowanie, jak i ogólny stan zdrowia.
Wykorzystanie AI nie wymagałoby więc koniecznie stworzenia zupełnie nowego rodzaju badania. Kluczowe może być dokładniejsze przeanalizowanie informacji, które są już rutynowo rejestrowane.
Od diagnostyki bezdechu do spersonalizowanej oceny ryzyka
Nowe podejście może w przyszłości rozszerzyć znaczenie polisomnografii. Zamiast odpowiadać przede wszystkim na pytanie o obecność i nasilenie zaburzeń snu, badanie mogłoby wspierać ocenę długoterminowego ryzyka zdrowotnego konkretnego pacjenta. Pozwoliłoby to potencjalnie wcześniej identyfikować osoby wymagające dokładniejszej diagnostyki, obserwacji lub działań profilaktycznych.
Model powstał dzięki współpracy lekarzy zajmujących się medycyną snu, neurobiologów, badaczy AI i specjalistów data science w ramach Discovery Accelerator – 10-letniego partnerstwa Cleveland Clinic i IBM wykorzystującego m.in. sztuczną inteligencję i obliczenia kwantowe do przyspieszania badań w naukach przyrodniczych.
Potrzebna dalsza walidacja modelu
Autorzy podkreślają, że wyniki są obiecujące, jednak technologia wymaga dalszej oceny przed szerokim zastosowaniem klinicznym. Kolejnym etapem ma być sprawdzenie jej skuteczności w bardziej zróżnicowanych populacjach.
Sen jest coraz częściej uznawany za kluczowy element zdrowia, jednak informacje fizjologiczne rejestrowane podczas snu pozostają w dużej mierze niewykorzystane” – powiedział dr Erhan Bilal, główny autor badania. „Ponieważ wszyscy śpią, badania snu oferują niezwykły wgląd w zdrowie człowieka, wykraczający daleko poza diagnozę zaburzeń snu. Nasza praca pokazuje, jak modele podstawowe mogą zacząć odkrywać bogactwo tych złożonych sygnałów. A to dopiero początek.
Główne wnioski
- Model AI analizujący dane z polisomnografii wyodrębnił pięć grup pacjentów o różnym długoterminowym ryzyku zdrowotnym, wykorzystując informacje dotyczące m.in. pracy mózgu, serca, płuc i mięśni.
- Pacjenci z grupy najwyższego ryzyka mieli dwukrotnie wyższe ryzyko zgonu w ciągu kolejnych pięciu lat w porównaniu z grupą najniższego ryzyka. Różnicy tej nie odzwierciedlał standardowy wskaźnik bezdechu i spłycenia oddechu (AHI).
- AI zidentyfikowała wzorce związane z ryzykiem chorób sercowo-naczyniowych, pogorszeniem funkcji poznawczych oraz śmiertelnością. Model dobrze przewidywał wyniki zarówno u kobiet, jak i mężczyzn.
- W USA wykonuje się każdego roku około 1–4 mln polisomnogramów. Naukowcy wskazują, że wykorzystanie AI może pozwolić uzyskać z rutynowo gromadzonych danych znacznie więcej informacji o zdrowiu pacjentów, jednak model wymaga dalszej walidacji w zróżnicowanych populacjach.
Źródło:
- https://www.nature.com/articles/s41467-026-75326-9
- Cleveland Clinic
