SleepFM: KI von Stanford Medicine erkennt Krankheitsrisiken aus einer Nacht Schlaf

Eine einzige schlechte Nacht reicht, damit sich der Kopf den ganzen Tag wie vernebelt anfühlt. Neue Forschung deutet jedoch darauf hin, dass schon eine einzige Schlafnacht auch Hinweise liefern kann – und sogar Vorhersagen über Erkrankungen ermöglicht, deren deutliche Symptome erst Jahre später auftreten.

In einem Test nutzte ein KI-System physiologische Signale aus der Nacht, um das Risiko einer Person für mehr als 100 spätere Gesundheitsprobleme abzuschätzen.

Das Modell mit dem Namen SleepFM stammt von Forschenden der Stanford Medicine und ihren Kooperationspartnern.

Trainiert wurde SleepFM mit fast 600,000 Stunden Polysomnographie-Daten von rund 65,000 Menschen – also mit der Art nächtlicher Schlafuntersuchung, die unter anderem Gehirn, Herz, Atmung, Bewegung und weitere Signale erfasst.

Daten mit SleepFM erschliessen

Polysomnographie wird häufig wie ein reines Klinikwerkzeug eingesetzt: Untersuchung durchführen, Schlafstadien bewerten, nach Schlafapnoe suchen – und fertig. Das Team betont, dass das nur ein kleiner Ausschnitt dessen ist, was in solchen Aufzeichnungen tatsächlich steckt.

„Wir zeichnen eine erstaunliche Anzahl von Signalen auf, wenn wir Schlaf untersuchen“, sagte Emmanuel Mignot, gleichberechtigter leitender Autor und Professor für Schlafmedizin an Stanford.

„Das ist eine Art allgemeine Physiologie, die wir acht Stunden lang bei einer Person untersuchen, die völlig ‚gefangen‘ ist. Das ist extrem datenreich.“

Bis vor Kurzem lag die Hürde darin, dass Menschen und herkömmliche Software nur einen begrenzten Teil dieser Komplexität sinnvoll auswerten konnten.

KI verändert diese Ausgangslage zumindest dem Prinzip nach: Sie kann Muster über tausende Nächte hinweg und über mehrere Körpersysteme gleichzeitig lernen.

Schlafstudien mit KI

Medizinische KI hat in Bereichen wie Radiologie und Kardiologie stark an Fahrt aufgenommen. Beim Schlaf hinkte die Entwicklung hinterher – obwohl er an der Schnittstelle von Gehirnfunktion, Stoffwechsel, Atmung und Herz-Kreislauf-Gesundheit liegt.

James Zou, gleichberechtigter leitender Autor der Studie, ist ausserordentlicher Professor für biomedizinische Datenwissenschaft.

„Aus KI-Sicht ist Schlaf relativ wenig erforscht. Es gibt sehr viel andere KI-Arbeit, die sich mit Pathologie oder Kardiologie befasst, aber vergleichsweise wenig, die sich mit Schlaf beschäftigt – obwohl Schlaf ein so wichtiger Teil des Lebens ist“, sagte Zou.

Genau diese Lücke prägte den Ansatz: Statt ein Modell für eine einzelne Aufgabe zu bauen, entwickelte das Team ein Grundlagenmodell, das zunächst breite Muster erlernt und sich später an konkrete Vorhersagen anpassen lässt.

SleepFM und die „Sprache“ des Schlafs

SleepFM wurde nach einem ähnlichen Prinzip trainiert wie grosse Sprachmodelle – nur dass es nicht mit Wörtern arbeitet, sondern mit winzigen Ausschnitten physiologischer Signale.

Dazu wurden die Polysomnographie-Aufzeichnungen in 5-Sekunden-Segmente zerlegt, sodass das Modell lange Nächte als Sequenzen verarbeiten und lernen konnte, was typischerweise auf was folgt. „SleepFM lernt im Wesentlichen die Sprache des Schlafs“, sagte Zou.

Dabei verarbeitete das Modell mehrere Kanäle gleichzeitig, darunter Signale wie Elektroenzephalographie zur Hirnaktivität, Elektrokardiographie für Herzrhythmen, Elektromyographie zur Muskelaktivität sowie Puls- und Atemflussdaten.

Ein Modell auf Zuverlässigkeit trainieren

Ziel war nicht nur, jeden Kanal für sich zu „lesen“. Entscheidend war, zu begreifen, wie die Kanäle miteinander zusammenhängen.

Um das zu erreichen, entwickelten die Forschenden eine Trainingsmethode, die das Modell dazu bringt, fehlende Informationen zu ergänzen: Ein Datenstrom wurde gezielt ausgeblendet, und das Modell musste ihn aus den übrigen Strömen rekonstruieren.

„Einer der technischen Fortschritte, die wir in dieser Arbeit erzielt haben, ist herauszufinden, wie man all diese unterschiedlichen Datenmodalitäten harmonisiert, sodass sie zusammenkommen und dieselbe Sprache lernen können“, sagte Zou.

Nach dem Training wurde SleepFM für etablierte Aufgaben der Schlafmedizin feinabgestimmt. Unter anderem prüfte das Team, ob das Modell Schlafstadien klassifizieren und die Schwere einer Schlafapnoe einschätzen kann – also klassische Standardmessungen.

Bei diesen Vergleichsaufgaben schnitt das System genauso gut ab wie – oder besser als – führende Modelle, die in diesem Feld bereits eingesetzt werden.

Dieser Schritt war wichtig, weil er darauf hindeutete, dass das Modell nicht nur Zufallsmuster übernimmt: Es beherrschte die Grundlagen zuverlässig, bevor man es an deutlich anspruchsvollere Vorhersagen heranführte.

Schlafdaten und Krankheitsrisiko

Danach folgte der entscheidende Versuch: künftige Erkrankungen aus nur einer Nacht Schlaf vorherzusagen. Dazu verknüpften die Forschenden Schlafdaten mit langfristigen medizinischen Verläufen, basierend auf jahrzehntelangen Patientendaten einer grossen Schlafklinik.

Das Stanford Sleep Medicine Center wurde 1970 vom inzwischen verstorbenen William Dement gegründet. In diesem Projekt stammte der grösste Datensatz von etwa 35,000 Patientinnen und Patienten im Alter von 2 bis 96 Jahren, deren Polysomnographie-Untersuchungen zwischen 1999 und 2024 aufgezeichnet wurden.

Diese Schlafstudien wurden mit elektronischen Gesundheitsakten abgeglichen, wodurch für einige Personen bis zu 25 Jahre Nachbeobachtungsdaten verfügbar waren.

SleepFM durchsuchte mehr als 1,000 Krankheitskategorien und identifizierte 130, die sich allein anhand von Schlafdaten mit angemessener Genauigkeit vorhersagen liessen.

Krankheiten Jahre im Voraus vorhersagen

Die stärksten Ergebnisse berichtete das Team für Krebserkrankungen, Schwangerschaftskomplikationen, Kreislauferkrankungen und psychische Störungen; in diesen Gruppen lag der C-index über 0.8.

Der C-index bewertet, wie gut ein Modell Risiken zwischen Personen einordnet. Es geht dabei nicht um absolute Sicherheit für eine einzelne Person, sondern darum, ob das Modell Menschen mit höherem Risiko tendenziell über Menschen mit niedrigerem Risiko einsortiert.

„Für alle möglichen Paare von Personen erstellt das Modell eine Rangfolge, wer mit höherer Wahrscheinlichkeit ein Ereignis – etwa einen Herzinfarkt – früher erlebt. Ein C-index von 0.8 bedeutet, dass die Vorhersage des Modells in 80% der Fälle mit dem übereinstimmt, was tatsächlich passiert ist“, sagte Zou.

Besonders stark war die Leistung des Modells bei mehreren konkreten Ergebnissen, darunter Parkinson, Demenz, hypertensive Herzerkrankung, Herzinfarkt, Prostatakrebs, Brustkrebs und Tod.

„Wir waren angenehm überrascht, dass das Modell für eine ziemlich vielfältige Reihe von Erkrankungen informative Vorhersagen machen kann“, sagte Zou.

Was das SleepFM-Modell „sieht“

Trotz überzeugender Leistungswerte bleibt die naheliegende Frage: Was genau erfasst SleepFM dabei? Das Team berichtet, dass es an Werkzeugen zur Interpretierbarkeit arbeitet und ausserdem prüfen möchte, ob sich Vorhersagen durch zusätzliche Daten aus tragbaren Geräten weiter verbessern lassen.

„Es erklärt uns das nicht auf Deutsch“, sagte Zou. „Aber wir haben verschiedene Interpretationstechniken entwickelt, um herauszufinden, worauf das Modell achtet, wenn es eine spezifische Krankheitsvorhersage macht.“

Ein Muster ist bereits klar erkennbar: Die treffendsten Vorhersagen entstanden nicht aus einem einzelnen Kanal. Am informativsten war es, Kanäle miteinander zu vergleichen und Abweichungen zwischen ihnen zu erkennen.

„Die meisten Informationen für die Vorhersage von Krankheiten haben wir erhalten, indem wir die verschiedenen Kanäle gegeneinander kontrastiert haben“, sagte Mignot.

Mit anderen Worten: Es könnte ein Zeichen für Probleme sein, wenn der Körper „aus dem Takt“ gerät. Wenn das Gehirn beispielsweise wie schlafend wirkt, während das Herz „wach“ erscheint, könnte das darauf hinweisen, dass im Hintergrund etwas Grundlegendes nicht stimmt.