Neues KI-Modell zur Vorhersage von Krankheitsrisiken basierend auf Schlafdaten

Revolutionäre Einblicke: KI-Modell prognostiziert Krankheitsrisiken aus Schlafdaten

Die Forschung im Bereich der künstlichen Intelligenz (KI) erzielt kontinuierlich Fortschritte, die das Potenzial haben, verschiedene Sektoren zu transformieren. Insbesondere in der Medizin eröffnen sich durch den Einsatz von KI neue Perspektiven für Diagnostik und Prävention. Eine aktuelle Entwicklung, die in Fachkreisen auf großes Interesse stößt, ist ein KI-Modell namens SleepFM. Dieses Modell, entwickelt von einem Team der Stanford University, demonstriert die Fähigkeit, aus den komplexen Daten einer einzigen Nacht im Schlaflabor das Risiko für über 100 verschiedene Krankheiten vorherzusagen.

Die "Sprache des Schlafs" entschlüsseln

Die Grundlage für SleepFMs Fähigkeiten bildet die Polysomnographie (PSG), der Goldstandard in der Schlafuntersuchung. Während einer PSG-Messung werden zahlreiche physiologische Signale erfasst, darunter Hirnströme (EEG), Herzaktivität (EKG), Muskelspannung (EMG), Atmung, Blutsauerstoffgehalt sowie Augen- und Beinbewegungen. Traditionell werden diese umfassenden Daten primär zur Diagnose spezifischer Schlafstörungen wie Schlafapnoe genutzt. Die schiere Menge und Komplexität der gesammelten Informationen überfordert jedoch oft die manuelle Auswertung und herkömmliche Computerprogramme in Bezug auf umfassendere Gesundheitsanalysen.

Das Team der Stanford University hat diese Herausforderung durch die Entwicklung eines sogenannten Foundation Models (FM) adressiert. Ähnlich wie große Sprachmodelle (LLMs) die Zusammenhänge in menschlicher Sprache lernen, wurde SleepFM darauf trainiert, die "Sprache des Schlafs" zu verstehen. Hierfür wurden dem Modell über 585.000 Stunden Schlafdaten von etwa 65.000 Patienten aus dem Stanford Sleep Medicine Center sowie weiteren US-amerikanischen und europäischen Kohorten zugeführt. Diese Daten wurden in kleine, fünftsekündige Abschnitte unterteilt, die das Modell als "Wörter" interpretierte, um Muster und Zusammenhänge in der Schlafphysiologie zu erlernen.

Präzise Vorhersagen für diverse Erkrankungen

Nach dem umfangreichen Training wurde SleepFM zunächst auf etablierte Aufgaben der Schlafdiagnostik angewendet, wie die Klassifikation von Schlafstadien und die Erkennung von Schlafapnoe. Hierbei erreichte das Modell eine Genauigkeit, die mit spezialisierten, bestehenden Prognosemodellen vergleichbar war oder diese sogar übertraf. Der eigentliche Durchbruch zeigt sich jedoch in der Fähigkeit, langfristige Krankheitsrisiken zu prognostizieren.

Durch die Verknüpfung der Schlafdaten mit den elektronischen Gesundheitsakten der Patienten, die teilweise bis zu 25 Jahre zurückreichen, konnte das Forschungsteam überprüfen, welche späteren Diagnosen sich aus einer einzigen Polysomnographie-Nacht ableiten lassen. SleepFM identifizierte dabei 130 Krankheitskategorien, für die es mit einer moderaten bis hohen Genauigkeit Vorhersagen treffen konnte. Besonders hervorzuheben sind die hohen Trefferquoten bei der Prognose von:

- 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) - Gesamtsterblichkeit (C-Index von 0,84)

Ein C-Index von 1,0 steht für eine 100-prozentige Trefferquote, wobei Werte über 0,80 als "sehr gut" bis "exzellent" gelten. Diese Ergebnisse deuten darauf hin, dass die im Schlaf verborgenen physiologischen Muster weitaus präzisere Informationen über den Gesundheitszustand liefern, als dies durch klassische medizinische Kennzahlen allein möglich wäre.

Inkonsistente Signale als Warnzeichen

Ein zentrales Ergebnis der Studie ist die Erkenntnis, dass Inkonsistenzen zwischen verschiedenen Körpersignalen während des Schlafs besonders aussagekräftig sind. Wenn beispielsweise die Hirnaktivität typische Schlafmuster aufweist, das Herz jedoch Signale eines Wachzustands sendet, kann dies ein Indikator für potenzielle gesundheitliche Probleme sein. Solche nicht synchronisierten Muster, von den Forschenden als "physiologische Inkonsistenzen" bezeichnet, könnten auf verborgene Belastungen oder frühe Krankheitsprozesse hinweisen, lange bevor sich erste Symptome manifestieren.

Die Auswertung des Modells zeigte zudem, dass Herzsignale maßgeblich zur Vorhersage von Herz-Kreislauf-Erkrankungen beitragen, während Gehirnsignale für neurologische und psychische Störungen relevanter sind. Die Kombination und Analyse dieser vielfältigen Datenströme ermöglicht es SleepFM, ein umfassendes Bild des Gesundheitsrisikos zu erstellen.

Grenzen und Perspektiven für die Zukunft

Trotz der vielversprechenden Ergebnisse betonen die Studienautoren die aktuellen Grenzen von SleepFM. Das Modell identifiziert statistische Korrelationen, aber keine kausalen Ursachen. Es kann demnach nicht erklären, warum eine bestimmte Anomalie im Schlaf zu einer spezifischen Krankheit führt. Dies bedeutet, dass die Technologie derzeit nicht für individuelle Diagnosen oder Therapieentscheidungen praxistauglich ist. Die Verantwortung für Diagnose und Behandlung bleibt weiterhin beim medizinischen Personal.

Ein weiterer wichtiger Aspekt betrifft die Datenbasis: Die Trainingsdaten stammen überwiegend von Personen, die sich aufgrund von Schlafproblemen oder des Verdachts auf bestimmte Erkrankungen bereits in einem Schlaflabor befanden. Dies führt zu einer hochselektierten Stichprobe, wodurch die Generalisierbarkeit der Ergebnisse auf die gesunde Allgemeinbevölkerung noch nicht eindeutig belegt ist. Es bleibt zu klären, ob SleepFM auch bei Menschen ohne bestehende Schlafprobleme präzise Vorhersagen treffen kann.

Dennoch birgt SleepFM ein erhebliches Potenzial für die präventive Medizin. Die Möglichkeit, Krankheitsrisiken Jahre im Voraus zu erkennen, könnte frühzeitigere Interventionen bei schweren Erkrankungen wie Demenz, Herzinfarkt oder Krebs ermöglichen. Die Weiterentwicklung von Wearables und die Integration von KI-Modellen wie SleepFM könnten zukünftig eine kontinuierliche und nicht-invasive Gesundheitsüberwachung ermöglichen, die über die Grenzen des Schlaflabors hinausgeht. Die interdisziplinäre Zusammenarbeit zwischen KI-Experten und Medizinern wird entscheidend sein, um diese Potenziale voll auszuschöpfen und die gewonnenen Erkenntnisse in die klinische Praxis zu überführen.

Bibliography

- "Daten aus einer einzigen Nacht: Neues KI-Modell sagt mehr als 100 Krankheitsrisiken aus Schlafdaten voraus" – t3n (Eike Kühl) - "Kann KI anhand des Schlafs Krankheiten vorhersagen? | BR24" – BR24 (Veronika Simon, Emily Burkhart) - "Schlafdaten einer Nacht zeigen Risiko für über 100 Krankheiten" – Euronews (Anna Desmarais) - "KI sagt 130 Krankheiten im Schlaf voraus - Pharmazeutische Zeitung" – Pharmazeutische Zeitung (Avoxa – Mediengruppe Deutscher Apotheker GmbH, Theo Dingermann) - "KI erkennt Risiko für 130 Krankheiten - im Schlaf" – Deutsche Welle (Alexander Freund) - "So erkennen Forscher im Schlaf 130 Krankheiten, die erst Jahre ..." – Focus Online (Spektrum.de) - "SleepFM: KI-Modell sagt Krankheitsrisiken auf Basis von Schlafdaten vorher" – Heise Online (Dr. Fabio Dennstädt) - "KI-Modell berechnet Risiko für Krankheiten aus Schlafdaten" – Frankfurter Rundschau - "Kann KI mithilfe von Schlafanalysen Krankheiten vorhersagen?" – SWR (Veronika Simon)