Le modèle d'IA de Stanford analyse les données de sommeil pour prédire le risque de maladie

Les chercheurs de Stanford Medicine ont développé un modèle d'intelligence artificielle, SleepFM, pour analyser les données d'études sur le sommeil et estimer le risque de diverses conditions de santé en utilisant des signaux physiologiques collectés pendant le sommeil.

Le modèle a été formé sur un grand ensemble de données, incorporant environ 585 000 heures de données de polysomnographie provenant d'environ 65 000 individus. SleepFM a utilisé des signaux tels que les ondes cérébrales, les rythmes cardiaques, l'activité musculaire, le pouls et le flux d'air respiratoire pour traiter et interpréter les schémas de sommeil.

Pour affiner sa précision, SleepFM a été associé à des dossiers de santé électroniques à long terme de près de 35 000 patients ayant reçu des soins au Stanford Sleep Medicine Center sur une période de 25 ans. Cette approche a permis au modèle de lier les caractéristiques du sommeil aux résultats de santé ultérieurs.

Les chercheurs ont rapporté que SleepFM pouvait prédire la probabilité de développer 130 conditions de santé différentes sur la base d'une seule nuit de données de sommeil. Les prédictions du modèle incluaient une gamme de maladies telles que la maladie de Parkinson, la démence, la maladie cardiaque hypertensive, l'infarctus du myocarde, le cancer de la prostate, le cancer du sein et la mortalité toutes causes confondues.

Ce que montrent les chiffres

• SleepFM a atteint un indice de concordance de 0,89 pour la maladie de Parkinson et le cancer de la prostate
• Le modèle a atteint 0,85 pour la démence et 0,87 pour le cancer du sein
• Les prédictions pour l'infarctus du myocarde et la mort avaient des indices de 0,81 et 0,84, respectivement

SleepFM a également démontré de solides performances dans la classification des stades de sommeil et la détermination de la gravité de l'apnée du sommeil, égalant ou dépassant les modèles avancés existants. Son entraînement a impliqué une méthode appelée apprentissage contrastif leave-one-out, qui a permis l'intégration de plusieurs types de données physiologiques.

Les capacités prédictives du modèle s'étendaient à des conditions telles que l'insuffisance cardiaque, la maladie rénale chronique, l'accident vasculaire cérébral et la fibrillation auriculaire. Ces résultats ont été identifiés en analysant les signaux physiologiques enregistrés lors des études de sommeil.

En s'appuyant sur un ensemble de données large et diversifié, SleepFM a pu généraliser ses résultats à un large éventail de conditions de santé. Le développement du modèle a impliqué à la fois des techniques avancées d'apprentissage automatique et des données cliniques étendues collectées sur plusieurs décennies.

Les chercheurs de Stanford Medicine ont déclaré que SleepFM représente une nouvelle approche pour lier les schémas de sommeil aux risques de santé à long terme en utilisant l'intelligence artificielle. Les résultats du modèle sont basés sur des données complètes et des dossiers cliniques établis.

* Cet article est basé sur des informations publiquement disponibles au moment de la rédaction.