Ein künstliches Intelligenz-System namens SleepFM, entwickelt von Wissenschaftlern der Stanford Medicine und ihren Kooperationspartnern, kann aus einer einzigen Nachtschlafrunde Risiken für über 100 verschiedene Krankheiten vorhersagen. Das Modell wurde mit fast 600.000 Stunden Polysomnographie-Daten aus 65.000 Personen trainiert – einem umfangreichen Datensatz, der Hirnaktivität, Herzfrequenz, Atmungsmuster, Augenbewegungen und Muskelbewegungen während des Schlafs erfasst. Diese Daten stammen aus umfassenden Schlafstudien, die als Goldstandard gelten, aber bisher nur teilweise ausgewertet wurden. Die Forscher nutzen nun KI, um diese reichhaltigen physiologischen Signale systematisch zu analysieren – ein Bereich, der bisher wenig erforscht war. SleepFM ist eine sogenannte Grundmodell-KI, das wie große Sprachmodelle wie ChatGPT aus riesigen Datensätzen lernt, jedoch statt Textbiologie-Signale verarbeitet. Die Schlafaufzeichnungen wurden in fünfsekündige Segmente zerlegt, die als „Wörter“ fungieren. Mittels eines neuartigen Trainingsansatzes – Leave-One-Out Contrastive Learning – lernte das Modell, fehlende Signalarten aus den verbleibenden Daten zu rekonstruieren, um komplexe Zusammenhänge zwischen verschiedenen Körperkanälen zu erkennen. Dadurch konnte SleepFM eine gemeinsame „Sprache“ der Schlafphysiologie entwickeln. In Tests übertraf das System bestehende Modelle bei der Klassifizierung von Schlafstadien und der Schwere von Schlafapnoe. Doch der entscheidende Durchbruch lag in der Vorhersage zukünftiger Erkrankungen. Durch die Verknüpfung der Schlafdaten mit medizinischen Langzeitdaten aus dem Stanford Sleep Medicine Center – das seit 1970 existiert und bis zu 25 Jahre nachverfolgte Patienten umfasst – konnte SleepFM 130 Krankheiten mit einer Vorhersagegenauigkeit von C-Index-Werten über 0,8 identifizieren. Besonders hohe Trefferquoten erzielte es bei Parkinson, Demenz, Herz-Kreislauf-Erkrankungen, Brust- und Prostatakrebs sowie Sterblichkeit. Der C-Index misst, wie oft das Modell zwei Personen korrekt nach ihrem Risiko für ein Ereignis wie einen Herzinfarkt ordnet – ein Wert von 0,8 bedeutet, dass die Vorhersage in 80 % der Fälle zutreffend war. Diese Genauigkeit liegt deutlich über den für klinische Tools üblichen Schwellen (ca. 0,7). Die Forscher entdeckten, dass die präzisesten Vorhersagen entstehen, wenn alle Signalquellen kombiniert werden – insbesondere wenn Signale aus verschiedenen Systemen (z. B. Gehirn und Herz) nicht synchron sind, was auf Störungen hinweisen könnte. Die Forscher arbeiten nun daran, die Erklärbarkeit der KI zu verbessern, um zu verstehen, welche physiologischen Muster zu welchen Vorhersagen führen. Zukünftige Versionen könnten auch Daten von Wearables integrieren. Die Studie wurde von der National Institutes of Health, dem Knight-Hennessy Scholars-Programm und dem Chan-Zuckerberg Biohub gefördert. Industrieexperten sehen in SleepFM einen Meilenstein für präventive Medizin. Die Fähigkeit, langfristige Gesundheitsrisiken aus einem einzigen Nachtschlaf zu erkennen, könnte künftig in der Routineversorgung eingesetzt werden, um frühzeitige Interventionen zu ermöglichen. Die Kombination von Schlafphysiologie und KI könnte die Grundlage für eine neue Ära der personalisierten, proaktiven Gesundheitsüberwachung bilden.