Peneliti Stanford Medicine dan kolaborator melaporkan bahwa model kecerdasan buatan bernama SleepFM dapat menganalisis studi polisomnografi satu malam dan memperkirakan risiko masa depan seseorang untuk lebih dari 100 kondisi medis, termasuk demensia, penyakit jantung, dan beberapa kanker. Tim mengatakan sistem tersebut mempelajari pola di berbagai sinyal fisiologis yang direkam selama tidur dan dapat mengungkap tanda peringatan dini bertahun-tahun sebelum diagnosis klinis.
Satu malam di laboratorium tidur mungkin mengandung lebih banyak informasi tentang kesehatan masa depan daripada yang biasanya diekstrak oleh klinisi saat ini. Peneliti di Stanford Medicine dan institusi kolaborator telah mengembangkan model kecerdasan buatan, SleepFM, yang menganalisis data dari polisomnografi—studi tidur malam standar emas yang merekam sinyal seperti aktivitas otak, aktivitas jantung, pernapasan, gerakan mata, dan gerakan otot atau kaki. Tim melatih SleepFM pada sekitar 585.000 jam rekaman polisomnografi dari sekitar 65.000 orang, kemudian menghubungkan studi tidur dari kohort besar Stanford Sleep Medicine Center ke catatan kesehatan elektronik jangka panjang. Dalam kohort tersebut—sekitar 35.000 pasien usia 2 hingga 96 tahun dengan studi tidur dilakukan antara 1999 dan 2024—beberapa individu memiliki follow-up hingga 25 tahun. «Kami merekam jumlah sinyal yang menakjubkan saat mempelajari tidur,» kata Emmanuel Mignot, Profesor Craig Reynolds di Sleep Medicine di Stanford Medicine dan penulis senior studi. Ia menggambarkan pemeriksaan malam itu sebagai «sangat kaya data». Untuk membangun model, peneliti menggunakan pendekatan «foundation model» —lebih sering dikaitkan dengan model bahasa besar— memperlakukan rekaman tidur fisiologis sebagai urutan. Mereka membagi setiap rekaman menjadi segmen lima detik dan melatih sistem untuk mempelajari bagaimana saluran berbeda saling terkait. «SleepFM pada dasarnya mempelajari bahasa tidur,» kata James Zou, profesor associate ilmu data biomedis di Stanford dan penulis senior. Tim juga melaporkan menggunakan metode pelatihan yang disebut leave-one-out contrastive learning, di mana satu jenis sinyal dihapus dan model mempelajari untuk merekonstruksinya dari saluran yang tersisa. Dalam tes analisis tidur standar, SleepFM berkinerja sebaik atau lebih baik daripada model state-of-the-art yang ada dalam mengklasifikasikan tahap tidur dan menilai tingkat keparahan apnea tidur. Peneliti kemudian mengevaluasi apakah satu malam data tidur dapat membantu meramalkan hasil medis jangka panjang. Setelah meninjau lebih dari 1.000 kategori penyakit dalam catatan kesehatan terkait, studi melaporkan bahwa 130 kondisi dapat diprediksi dengan akurasi yang digambarkan penulis sebagai wajar menggunakan data tidur saja. Kinerja paling kuat untuk kelompok hasil yang mencakup kanker, komplikasi kehamilan, penyakit sirkulasi, dan gangguan kesehatan mental. Studi menggunakan indeks konkordansi (C-index), ukuran seberapa baik model meranking individu berdasarkan risiko. Zou mengatakan bahwa C-index 0,8 berarti bahwa, di antara pasangan orang, model secara benar meranking siapa yang akan mengalami peristiwa lebih awal sekitar 80% waktu. Di antara contoh yang dilaporkan, model mencapai nilai C-index 0,89 untuk penyakit Parkinson, 0,85 untuk demensia, 0,81 untuk infark miokard (serangan jantung), 0,89 untuk kanker prostat, dan 0,87 untuk kanker payudara. Peneliti juga melaporkan kinerja kuat untuk hasil termasuk mortalitas semua penyebab. Tim mengatakan saluran fisiologis berbeda membawa bobot prediksi berbeda tergantung hasil—misalnya, sinyal terkait jantung lebih berpengaruh untuk prediksi kardiovaskular dan sinyal otak lebih penting untuk kesehatan mental—sementara menggabungkan saluran menghasilkan hasil terbaik. Mignot mengatakan ketidaksesuaian antara sistem—seperti otak yang tampak tidur sementara jantung tampak lebih waspada—adalah salah satu pola yang terkait dengan risiko lebih tinggi. Makalah, berjudul «A multimodal sleep foundation model for disease prediction», diterbitkan secara online di Nature Medicine pada 6 Januari 2026. Mahasiswa PhD Rahul Thapa (Stanford) dan Magnus Ruud Kjaer (Technical University of Denmark) tercantum sebagai penulis utama bersama. Peneliti memperingatkan bahwa pekerjaan ini adalah langkah awal menuju penggunaan klinis. Tim mengatakan pekerjaan yang sedang berlangsung mencakup peningkatan interpretabilitas—memahami apa yang «dilihat» model dalam sinyal—dan mengeksplorasi apakah pendekatan serupa dapat mengintegrasikan data dari perangkat wearable untuk memperluas akses di luar lab tidur khusus.
