Neues KI-Modell prognostiziert Krankheitsrisiken basierend auf Schlafdaten

Revolution in der Prävention: Wie KI-Analyse von Schlafdaten Krankheitsrisiken vorhersagt

Die moderne Medizin steht an einem Wendepunkt, an dem Künstliche Intelligenz (KI) das Potenzial birgt, die Gesundheitsversorgung grundlegend zu verändern. Eine aktuelle Entwicklung, die in Fachkreisen auf großes Interesse stößt, ist ein neuartiges KI-Modell der Stanford University. Dieses Modell, bekannt als SleepFM, demonstriert die Fähigkeit, anhand einer einzigen Nacht im Schlaflabor das Risiko für über 130 verschiedene Krankheiten Jahre im Voraus zu prognostizieren. Diese Innovation könnte die präventive Medizin maßgeblich beeinflussen und neue Wege in der Früherkennung von Leiden wie Demenz, Herzinfarkt, Schlaganfall und verschiedenen Krebsarten eröffnen.

Die Datengrundlage: Eine "physiologische Goldmine"

Die Forschung basiert auf der Polysomnographie (PSG), einem etablierten Standardverfahren zur Schlafdiagnostik. Während einer PSG-Untersuchung werden über einen Zeitraum von acht Stunden eine Vielzahl physiologischer Signale erfasst. Hierzu gehören Hirnströme (EEG), Herzaktivität (EKG), Muskelspannung (EMG), Augenbewegungen, Atmung und Sauerstoffsättigung. Bislang wurden diese komplexen Daten vorrangig zur Diagnose von Schlafstörungen wie Schlafapnoe genutzt. Das Team um den renommierten Schlafforscher Emmanuel Mignot und den Datenwissenschaftler James Zou erkannte jedoch das ungenutzte Potenzial dieser "physiologischen Goldmine".

Das SleepFM-Modell wurde mit einem gigantischen Datensatz trainiert: über 585.000 Stunden Schlafdaten von etwa 65.000 Patientinnen und Patienten im Alter von zwei bis 96 Jahren, die zwischen 1999 und 2024 im Stanford Sleep Medicine Center untersucht wurden. Diese umfangreiche Datenbasis ermöglichte es der KI, die "Sprache des Schlafs" zu erlernen und komplexe Muster zu identifizieren, die für das menschliche Auge nicht unmittelbar erkennbar sind.

Funktionsweise von SleepFM: Lernen aus physiologischen Mustern

Ähnlich wie große Sprachmodelle die Zusammenhänge von Wörtern in Texten erlernen, wurde SleepFM darauf trainiert, die Logik der zeitlichen Abfolge physiologischer Ereignisse im Schlaf zu verstehen. Die Schlafdaten wurden dafür in fünf-Sekunden-Abschnitte zerlegt, analog zu Wörtern in einem Text. Eine innovative Trainingsmethode zwang die KI, fehlende Signale aus anderen Körperdaten zu rekonstruieren. Auf diese Weise lernte das Modell, wie Gehirn, Herz und Atmung während des Schlafs interagieren und welche Abweichungen von normalen Mustern existieren.

Ein zentraler Aspekt der Analyse sind sogenannte physiologische Inkonsistenzen. Das Modell erkannte beispielsweise ein erhöhtes Krankheitsrisiko, wenn das Gehirn sich im Schlafmodus befand, das Herz jedoch Stresssignale zeigte. Solche Diskrepanzen zwischen verschiedenen Körpersignalen könnten auf verborgene Belastungen oder frühe Krankheitsprozesse hinweisen, lange bevor klinische Symptome auftreten.

Beeindruckende Prognosegenauigkeit

Nach dem umfangreichen Training wurde SleepFM zunächst an klassischen Aufgaben der Schlafmedizin validiert. Hierbei erreichte es bei der automatischen Bestimmung von Schlafphasen und der Diagnostik von Schlafapnoe eine Genauigkeit, die mit etablierten spezialisierten Verfahren vergleichbar ist. Das biologische Alter einer Person konnte das Modell mit einer durchschnittlichen Abweichung von etwa 7,33 Jahren allein aus den Schlafdaten schätzen.

Der eigentliche Durchbruch zeigt sich jedoch in der Langzeitprognose: Von über 1.000 untersuchten Krankheitskategorien konnte SleepFM 130 mit einer angemessenen bis hohen Genauigkeit vorhersagen. Besonders hervorzuheben sind die Ergebnisse für:

• Alzheimer: C-Index von 0,91
• Prostatakrebs: C-Index von 0,89
• Brustkrebs: C-Index von 0,87
• Herzversagen: C-Index von 0,80
• Diabetes: C-Index von 0,87
• Allgemeines Sterblichkeitsrisiko: C-Index von 0,84

Ein C-Index von 0,8 bedeutet, dass das Modell in 80 Prozent der Fälle korrekt einschätzt, wer später erkrankt. Werte über 0,8 gelten in der medizinischen Forschung als sehr gut bis exzellent, wobei 1,0 eine perfekte Vorhersage darstellt. Diese Ergebnisse übertreffen herkömmliche Vorhersagemodelle, die oft nur demografische Daten wie Alter, Geschlecht und Body-Mass-Index berücksichtigen.

Potenzial für die präventive Medizin und Herausforderungen

Die Implikationen von SleepFM für die präventive Medizin sind beträchtlich. Durch die frühzeitige Erkennung von Risikofaktoren könnten gezielte Interventionen und Lebensstilanpassungen vorgenommen werden, um den Ausbruch oder den Verlauf von Krankheiten positiv zu beeinflussen. Die Integration solcher KI-Modelle in Wearables wie Smartwatches könnte eine kontinuierliche, nicht-invasive Gesundheitsüberwachung ermöglichen und die Gesundheitsvorsorge in den Alltag der Menschen integrieren.

Allerdings gibt es auch Herausforderungen und offene Fragen. Die Forschenden betonen, dass SleepFM Korrelationen und statistische Muster erkennt, aber nicht zwangsläufig kausale Zusammenhänge aufzeigt. Die genauen biologischen Mechanismen, die den identifizierten Mustern zugrunde liegen, müssen noch weiter erforscht werden. Zudem wurde das Modell hauptsächlich mit Daten von Personen trainiert, die aufgrund von Schlafproblemen medizinisch untersucht wurden. Es bleibt abzuwarten, wie zuverlässig die Prognosen für gesunde Bevölkerungsgruppen oder Menschen aus unterschiedlichen sozioökonomischen und geografischen Kontexten sind.

Ethische Aspekte, wie das "Recht auf Nichtwissen" bei der Vorhersage schwerer Krankheiten und der Schutz sensibler Gesundheitsdaten, müssen ebenfalls sorgfältig abgewogen werden. Die Rolle der KI wird hierbei als Werkzeug und Frühwarnsystem verstanden, während die finale Diagnose und Therapieentscheidung weiterhin beim medizinischen Fachpersonal liegt. Die interdisziplinäre Zusammenarbeit zwischen KI-Entwicklern, Medizinern und Ethikern ist entscheidend für die verantwortungsvolle Implementierung solcher Technologien im Gesundheitswesen.

Ausblick

Das KI-Modell SleepFM stellt einen bedeutenden Fortschritt in der Nutzung von Schlafdaten für die Krankheitsprävention dar. Es unterstreicht das enorme Potenzial der Künstlichen Intelligenz, komplexe physiologische Informationen zu entschlüsseln und wertvolle Einblicke in die menschliche Gesundheit zu gewinnen. Die Weiterentwicklung und Validierung solcher Modelle könnten den Weg zu einer stärker personalisierten und proaktiven Gesundheitsversorgung ebnen, die Krankheiten nicht nur behandelt, sondern idealerweise verhindert.

Bibliography

- Kühl, E. (2026, 12. Januar). Während wir schlafen: Wie ein KI-Modell Prognosen über mehr als 100 Erkrankungen macht. t3n.de. - Avoxa – Mediengruppe Deutscher Apotheker GmbH. (2026, 7. Januar). KI sagt 130 Krankheiten im Schlaf voraus. Pharmazeutische Zeitung. - n-tv NACHRICHTEN. (2026, 8. Januar). Warnung Jahre vorher: KI sagt schwere Krankheiten im Schlaf voraus. n-tv.de. - Freund, A. (2026, 9. Januar). KI erkennt Risiko für 130 Krankheiten - im Schlaf. DW.com. - Wetendorf, R. (2026, 11. Januar). Diagnose im Schlaf: Innovatives KI-Modell erkennt Krankheitsrisiken. Berliner Morgenpost. - Dennstädt, F. (2026, 8. Januar). SleepFM: KI-Modell sagt Krankheitsrisiken auf Basis von Schlafdaten vorher. heise online. - n-tv NACHRICHTEN. (2025, 18. September). Künstliche Intelligenz prognostiziert Krankheitsrisiken mehr als ein Jahrzehnt im Voraus - KI erreicht hohe Genauigkeit. n-tv.de. - Thapa, R., et al. (2025). A multimodal sleep foundation model for disease prediction. Nature Medicine.