KI lernt Sprache des Schlafs – und sagt so Krankheitsrisiken voraus

Schlaf gilt seit Langem als Spiegel der Gesundheit. Doch was bislang vor allem zur Diagnose von Schlafstörungen genutzt wurde, könnte künftig weit mehr leisten.

Forschende der Stanford Medicine haben mit SleepFM erstmals ein sogenanntes Foundation Model für Schlafdaten entwickelt. Das Modell ist in der Lage, langfristige Krankheitsrisiken allein aus nächtlichen Messungen abzuleiten.

Die Datenbasis stammt aus der Polysomnographie (PSG), dem Goldstandard der Schlafmedizin. Dabei werden über Nacht gleichzeitig Hirnaktivität (EEG), Herzfunktion (EKG), Atmung, Sauerstoffsättigung, Muskelspannung, Augenbewegungen und Körperlage aufgezeichnet – meist im Schlaflabor.

«Diese Daten sind extrem reichhaltig», sagt Studienleiter Emmanuel Mignot, Professor für Schlafmedizinan der Stanford University, in einer Mitteilung. Bislang wird jedoch nur ein Bruchteil dieser Informationen ausgewertet.

Genau hier setzt SleepFM an. Das Modell wurde mit 585’000 Stunden Polysomnographie-Daten von rund 65’000 Personen trainiert. Statt einzelne Parameter isoliert zu betrachten, verarbeitet das Modell alle Signale gemeinsam – und lernt ihre Zusammenhänge.

Technisch folgt SleepFM dem Prinzip grosser Sprachmodelle wie ChatGPT. Die Schlafdaten wurden in Fünf-Sekunden-Segmente zerlegt – vergleichbar mit Wörtern in einem Text. Auf dieser Grundlage lernt das Modell typische Muster, Übergänge und Abweichungen. «SleepFM lernt im Grunde die Sprache des Schlafs», sagt James Zou, Co-Seniorautor der Studie und Professor für Biomedical Data Science.

Eine zentrale Neuerung ist das sogenannte Leave-one-out Contrastive Learning: Dabei wird jeweils ein Datentyp (z. B. EEG oder EKG) ausgeblendet, und das Modell muss ihn aus den übrigen Signalen rekonstruieren. So lernt die KI, wie Gehirn, Herz, Atmung und Muskulatur physiologisch zusammenspielen – auch wenn einzelne Messungen fehlen.

Der eigentliche Durchbruch zeigte sich bei der Kopplung mit Langzeit-Gesundheitsdaten. Für rund 35’000 Patientinnen und Patienten standen elektronische Gesundheitsakten mit bis zu 25 Jahren Nachbeobachtung zur Verfügung. Auf dieser Basis analysierte SleepFM über 1’000 Krankheitskategorien.

Besonders gut waren die Vorhersagen für Krebserkrankungen, Schwangerschaftskomplikationen, Herz-Kreislauf-Erkrankungen und psychische Störungen, mit einem sogenannten C-Index von über 0,8. zum Vergleich: Viele klinisch eingesetzte Prognosemodelle liegen bei etwa 0,7.

130 Erkrankungen liessen sich mit statistisch robuster Genauigkeit aus den Schlafdaten vorhersagen. Besonders gut funktionierte dies bei:

Interessant ist nicht nur dass das Modell Risiken erkennt, sondern wie. «Es erklärt uns das nicht auf Englisch», sagt Zou. «Aber wir haben verschiedene Interpretationsmethoden entwickelt, um herauszufinden, worauf das Modell achtet, wenn es eine konkrete Krankheitsvorhersage trifft.»

«Problematisch schienen vor allem Zustände, in denen die Körpersignale nicht synchron waren», ergänzt Studienleiter Mignot. Etwa, wenn das Gehirn schlafähnliche Muster zeigt, während Herz oder Atmung eher einem Wachzustand entsprechen.

Trotz der eindrücklichen Ergebnisse betonen die Autorinnen und Autoren: SleepFM ist ein Forschungsmodell. Es ist weder für die klinische Diagnostik zugelassen noch für den Einsatz bei einzelnen Patientinnen oder Patienten gedacht.

Zudem basieren die Analysen auf vollständiger Polysomnographie im Schlaflabor – nicht auf Smartwatches oder Fitness-Trackern. Ob und inwieweit sich solche Modelle künftig mit Wearable-Daten kombinieren lassen, ist Gegenstand weiterer Forschung.

Die Studie zeigt jedoch eindrücklich, dass Schlafdaten weit mehr enthalten als Informationen zu Schlafqualität oder Apnoe-Index. Sie bilden eine Art nächtlichen Systemcheck des Körpers – und könnten langfristig eine Rolle in der präventiven Medizin spielen.