スタンフォード・メディシンの研究者と協力者らは、SleepFMと名付けられた人工知能モデルが、一晩のポリソムノグラフィー検査を分析し、認知症、心疾患、一部の癌を含む100以上の疾患に対する個人の将来リスクを推定できると報告。チームは、このシステムが睡眠中に記録された複数の生理信号のパターンを学習し、臨床診断の数年前に早期警告兆候を明らかにできる可能性があると述べている。
睡眠研究所での一晩は、今日の臨床医が通常抽出するよりも将来の健康に関する情報がはるかに多く含まれている可能性がある。 スタンフォード・メディシンと協力機関の研究者らは、SleepFMと名付けられた人工知能モデルを開発した。これは、脳活動、心活動、呼吸、眼球運動、筋肉や脚の運動などの信号を記録する、金標準の夜間睡眠検査であるポリソムノグラフィーのデータを分析する。 チームは約65,000人から約585,000時間のポリソムノグラフィー記録でSleepFMを訓練し、その後、スタンフォード睡眠医学センターの大規模コホートの睡眠検査を長期電子健康記録にリンクさせた。そのコホートでは、1999年から2024年にかけて睡眠検査を受けた2歳から96歳までの約35,000人の患者がおり、一部の個人は最大25年間の追跡があった。 「睡眠を研究する際には驚くほどの数の信号を記録します」と、スタンフォード・メディシンの睡眠医学Craig Reynolds教授で研究の筆頭著者の一人であるEmmanuel Mignot氏は語った。彼は夜間検査を「非常にデータリッチ」と表現した。 モデル構築のため、研究者らは「基盤モデル」アプローチを使用した。これは大規模言語モデルで一般的なもので、生理的睡眠記録をシーケンスとして扱った。各記録を5秒のセグメントに分割し、システムに異なるチャネルの関係性を学習させた。「SleepFMは本質的に睡眠の言語を学習しているのです」と、スタンフォードの生体医データサイエンス准教授で筆頭著者のJames Zou氏は述べた。チームはまた、leave-one-out contrastive learningと呼ばれる訓練法を使用し、一つの信号タイプを除去して残りのチャネルから再構築することをモデルに学ばせた。 標準的な睡眠解析テストでは、SleepFMは睡眠段階の分類と睡眠時無呼吸の重症度評価で、既存の最先端モデルと同等かそれ以上に優れた性能を示した。 次に、研究者らは一晩の睡眠データが長期的な医療結果を予測できるかを評価した。リンクされた健康記録の1,000以上の疾患カテゴリをレビューした結果、睡眠データのみで130の状態を著者らが合理的な精度で予測可能と報告した。性能は癌、妊娠合併症、循環器疾患、精神衛生障害を含む結果群で最も強かった。 研究では、個人をリスク順にランク付けするモデルの良さを測る一致度指数（C-index）を使用した。Zou氏は、C-indexが0.8の場合、人々のペア間でモデルがイベントを先に経験する人を正しくランク付けする割合が約80%であると説明した。 報告された例のうち、モデルはパーキンソン病で0.89、認知症で0.85、心筋梗塞（心臓発作）で0.81、前立腺癌で0.89、乳癌で0.87のC-indexを達成した。研究者らは全原因死亡率を含む結果でも強い性能を報告した。 チームによると、異なる生理チャネルは結果に応じて異なる予測重みを担っており、例えば心関連信号は心血管予測に、心関連信号は精神衛生に影響が大きく、チャネルを組み合わせるのが最適だった。Mignot氏は、脳が眠っているように見える一方で心臓が覚醒しているように見えるようなシステム間の不一致が、高リスク関連パターンだと述べた。 「疾患予測のための多モード睡眠基盤モデル」と題された論文は、2026年1月6日にNature Medicineオンラインで公開された。スタンフォードのRahul Thapa博士課程学生とデンマーク工科大学のMagnus Ruud Kjaer博士課程学生が共同筆頭著者として記載されている。 研究者らは、この仕事が臨床使用に向けた初期段階であると警告した。チームは、現在進行中の作業として、信号でモデルが「見ている」ものを理解する解釈可能性の向上と、専門睡眠ラボを超えてウェアラブルデバイスからのデータを組み込む類似アプローチの探索を挙げた。
