Forskare vid Stanford Medicine och samarbetspartners rapporterar att en artificiell intelligensmodell kallad SleepFM kan analysera en enda natt med polysomnografi och uppskatta en persons framtida risk för mer än 100 medicinska tillstånd, inklusive demens, hjärtsjukdom och vissa cancerformer. Teamet säger att systemet lär sig mönster över flera fysiologiska signaler inspelade under sömn och kan avslöja tidiga varningssignaler år innan klinisk diagnos.
En enda natt i ett sömnlaboratorium kan innehålla mer information om framtida hälsa än vad kliniker vanligtvis utvinner idag. Forskare vid Stanford Medicine och samarbetsinstitutioner har utvecklat en artificiell intelligensmodell, SleepFM, som analyserar data från polysomnografi – den gyllene standarden för nattlig sömnstudie som registrerar signaler såsom hjärnaktivitet, hjärtaktivitet, andning, ögonrörelser och muskel- eller benrörelser. Teamet tränade SleepFM på cirka 585 000 timmar polysomnografi-inspelningar från ungefär 65 000 personer, och kopplade sedan sömnstudier från en stor kohort vid Stanford Sleep Medicine Center till långsiktiga elektroniska hälsoregistrer. I den kohorten – cirka 35 000 patienter i åldrarna 2 till 96 år med sömnstudier utförda mellan 1999 och 2024 – hade vissa individer upp till 25 års uppföljning. «Vi registrerar ett imponerande antal signaler när vi studerar sömn», sa Emmanuel Mignot, Craig Reynolds Professor i sömnmedicin vid Stanford Medicine och en seniorförfattare till studien. Han beskrev den nattliga undersökningen som «mycket datarik». För att bygga modellen använde forskarna en «grundmodell»-ansats – vanligare associerad med stora språmodeller – och behandlade fysiologiska sömninspelningar som sekvenser. De delade varje inspelning i femsekunderssegment och tränade systemet att lära sig hur olika kanaler relaterar till varandra. «SleepFM lär sig i princip sömnens språk», sa James Zou, associate professor i biomedicinsk datavetenskap vid Stanford och seniorförfattare. Teamet rapporterade också användning av en träningsmetod kallad leave-one-out contrastive learning, där en signaltyp tas bort och modellen lär sig rekonstruera den från de återstående kanalerna. I standardtester för sömnanalys presterade SleepFM lika bra som eller bättre än befintliga toppmodeller vid klassificering av sömnstadier och bedömning av sömnapnés allvarlighetsgrad. Forskarnas sedan undersökte om en natt med sömndata kunde förutsäga långsiktiga medicinska utfall. Efter att ha granskat över 1 000 sjukdomskategorier i länkade hälsoregistrer rapporterade studien att 130 tillstånd kunde förutsägas med vad författarna beskriver som rimlig noggrannhet enbart med sömndata. Prestandan var starkast för grupper av utfall som inkluderade cancer, graviditetskomplikationer, cirkulationssjukdomar och psykiska hälsostörningar. Studien använde konkordansindexet (C-index), ett mått på hur väl en modell rankar individer efter risk. Zou sa att ett C-index på 0,8 betyder att modellen, över par av personer, korrekt rankar vem som upplever ett händelse tidigare cirka 80 procent av tiden. Bland de rapporterade exemplen uppnådde modellen C-indexvärden på 0,89 för Parkinsons sjukdom, 0,85 för demens, 0,81 för myokardinfarkt (hjärtinfarkt), 0,89 för prostatacancer och 0,87 för bröstcancer. Forskare rapporterade också stark prestanda för utfall inklusive dödlighet i alla orsaker. Teamet sa att olika fysiologiska kanaler bar olika prediktiv vikt beroende på utfallet – till exempel var hjärtsignaler mer inflytelserika för kardiovaskulära förutsägelser och hjärnsignaler viktigare för mental hälsa – medan kombination av kanaler gav bäst resultat. Mignot sa att missmatchningar mellan system – såsom en hjärna som verkar sovande medan hjärtat verkar mer alert – var bland mönster associerade med högre risk. Artikeln, med titeln «A multimodal sleep foundation model for disease prediction», publicerades online i Nature Medicine den 6 januari 2026. Doktoranderna Rahul Thapa (Stanford) och Magnus Ruud Kjaer (Technical University of Denmark) listas som gemensamma förstaförfattare. Forskare varnade för att arbetet är ett tidigt steg mot klinisk användning. Teamet sa att pågående arbete inkluderar förbättrad tolkbarhet – förstå vad modellen «ser» i signalerna – och undersöka om liknande tillvägagångssätt kan integrera data från bärbara enheter för att bredda tillgången bortom specialiserade sömnlabb.
