پیشبینی خطر ۱۰۰ بیماری از روی یک شب خواب
به گزارش خبرآنلاین، به نقل از ایرنا، این سامانه هوش مصنوعی که اسلیپ اِفاِم/ SleepFM نام دارد، با یادگیری از گنجینهای عظیم متشکل از ۵۸۵ هزار ساعت داده خواب (معادل ۶۶ سال ثبت پیوسته) از حدود ۶۵ هزار بیمار آموزش دیده است. این دادهها از طریق تست جامع خواب (پلیسومنوگرافی) در کلینیکهای تخصصی جمعآوری شده که در آن امواج مغز، ریتم قلب، الگوی تنفس و حرکات بدن در طول شب به دقت ردیابی میشود.
جیمز زو (James Zou)، از نویسندگان ارشد این مطالعه که نتایج آن در نشریه معتبر نِیچِر مدیسین/ Nature Medicine منتشر شده است، میگوید: اسلیپ اِفاِم در اصل در حال یادگیری زبان خواب است. ما راهی فنی ابداع کردیم تا همه این سیگنالهای مختلف بدنی با هم گفتوگو کنند و زبانی مشترک بیاموزند.
پیشبینی بیماری با دقتی چشمگیر
پس از آموزش، این مدل ابتدا در تشخیص مراحل خواب و شدت آپنه خواب (قطع تنفس در خواب) از سامانههای رایج پیشی گرفت. سپس نوبت به آزمونی بزرگتر رسید: پیونددادن الگوهای خواب به سوابق پزشکی بلندمدت بیماران. این مدل با بررسی دادههای خواب و سلامت افرادی که برای برخی تا ۲۵ سال پیگیری شده بودند، موفق به شناسایی ۱۳۰ بیماری شد که تنها از روی الگوهای خواب، پیشبینیپذیر هستند.
دقت پیشبینی مدل در بیماریهایی چون پارکینسون (۸۹ درصد)، زوال عقل (۸۵ درصد)، سرطان پروستات (۸۹ درصد)، سرطان پستان (۸۷ درصد) و حمله قلبی (۸۱ درصد) به حدی بود که حتی از برخی ابزارهای پیشبینی کنونی استفادهشده در کلینیکها نیز پیشی گرفت. به گفته محققان، مدلهایی با دقت پایینتر (حدود ۷۰ درصد) هماکنون در پیشبینی پاسخ به درمان سرطان استفاده میشوند.
نکته کلیدی که پژوهشگران به آن دست یافتند این بود که دقیقترین پیشبینیها نه از یک سیگنال مجزا، بلکه از ترکیب و تقابل همه کانالهای داده حاصل میشود. به بیان ساده، زمانی که بخشهای مختلف بدن ناهماهنگ به نظر میرسند، مانند زمانی که مغز در خواب عمیق بهسر میبَرَد اما قلب علائم بیداری و استرس را نشان میدهد، میتواند نشانهای هشداردهنده از یک مشکل آینده باشد.
امانوئل میگنو (Emmanual Mignot)، دیگر محقق ارشد این مطالعه، توضیح میدهد: بیشترین اطلاعات برای پیشبینی بیماری، از مقایسه و تقابل کانالهای مختلف بهدست آمد. به نظر میرسد ناهمزمانی اجزای بدن خبر از مشکل میدهد.
چشمانداز آینده: از کلینیک تا مچبند هوشمند
این مدل هنوز توضیح نمیدهد که دقیقاً بر چه اساسی پیشبینی میکند، اما گام بعدی پژوهشگران، توسعه روشهایی برای تفسیر تصمیمات این هوش مصنوعی است. چشمانداز نهایی، ادغام این فناوری با دادههای دستگاههای پوشیدنی مانند ساعتهای هوشمند است تا پایش سلامت، کاملاً شخصی و همگانی شود.
این مطالعه گامی انقلابی به سوی تبدیل خواب، که یکسوم زندگی انسان را در بر میگیرد، به یک نمونهبرداری دیجیتال بیخطر و قدرتمند برای ارزیابی همهجانبه سلامت است.
۵۸۵۸