Forskare vid Stanford Medicine har utvecklat SleepFM Clinical, en multimodal AI-grundmodell för sömn. Systemet är utformat för att förutsäga långsiktiga sjukdomsrisker baserat på data från en enda natts sömn.
Multimodal analys av sömn och hälsa
SleepFM Clinical är en multimodal AI-grundmodell som integrerar olika typer av fysiologiska data. Modellen kombinerar information om hjärnaktivitet, hjärtsignaler och respiratoriska data. Genom att sammanfoga dessa informationsströmmar kan systemet analysera hälsotillståndet och förutsäga framtida risker.
Träningsdata från 585 000 timmar
Utvecklingen av modellen baseras på en omfattande mängd klinisk information. SleepFM Clinical har tränats på 585 000 timmar av polysomnografi-registreringar. Detta datamängd härrör från cirka 65 000 individer, vilket ger modellen ett brett underlag för sina prediktioner.
Teknisk arkitektur med transformer-teknik
För att bearbeta den komplexa datan använder SleepFM Clinical en avancerad teknisk struktur. Modellen är uppbyggd med ett “convolutional backbone” och en “temporal transformer”. Denna kombination gör det möjligt för AI-systemet att hantera de tidsbaserade signaler som genereras under en sömnregistrering.
Identifiering av 130 sjukdomsutfall
Systemets primära syfte är att identifiera sjukdomsrisker långsiktigt. Enligt forskarna vid Stanford kan modellen identifiera 130 förutsägbara sjukdomsutfall. Det mest anmärkningsvärda är att dessa prediktioner kan göras utifrån data insamlad under en enda natts sömn.
Tillgänglighet via öppen källkod
I samband med offentliggörandet av SleepFM Clinical har forskargruppen valt att dela med sig av tekniken. Systemet har släppts som ett arkiv med öppen källkod (open-source repository) på GitHub, vilket gör det tillgängligt för vidare klinisk forskning och användning.