 |  | Theo Dingermann |
 |
07.01.2026 18:00 Uhr |
Der eigentliche Mehrwert des Modells wird bei der krankheitsübergreifenden Risikovorhersage sichtbar. Das Modell analysierte mehr als 1000 Krankheitskategorien und identifizierte mit einer guten Vorhersagegenauigkeit 130 Erkrankungen auf Basis der analysierten Daten, die pro Proband in nur einer einzigen Nacht gesammelt wurden. Besonders genaue Daten erreicht das Modell für klinisch hoch relevante Endpunkte wie Gesamtmortalität (C-Index: 0,84), Demenz (0,85), Myokardinfarkt (0,81), Herzinsuffizienz (0,80), chronische Nierenerkrankung (0,79), Schlaganfall (0,78) und Vorhofflimmern (0,78). Der C‑Index ist ein statistisches Maß, das bewertet, wie gut ein Modell Risikovorhersagen trifft. Er kann Werte zwischen 0 und 1 annehmen; je größer der Wert, desto präziser ist die Vorhersage.
Physiologische Systeme tragen dabei unterschiedlich stark zu verschiedenen Krankheitsklassen bei. So ist beispielsweise die Gehirnaktivität besonders aussagekräftig für neurologische und psychiatrische Erkrankungen. Respiratorische Signale sind hingegen relevanter für metabolische und respiratorische Störungen. Kardiale Signale deuten auf kardiovaskuläre Risiken hin. Die höchste Vorhersageleistung wurde jedoch stets durch die integrierte Nutzung aller Messparameter erreicht.
Ein zentrales Ergebnis der Arbeit ist die hohe Generalisierbarkeit des Modells. Anhand von Ergebnissen anderer Studien, beispielsweise der Sleep Heart Health Study (SHHS), ließ sich zeigen, dass SleepFM starke Ergebnisse für die Vorhersage von kardiovaskulären Endpunkten lieferte, selbst bei begrenzten Feintuning-Daten.
In der Diskussion ordnen die Forschenden ihre Ergebnisse in den Kontext etablierter Biomarker-Strategien ein. Schlafbasierte Vorhersagevariablen konkurrieren in mehreren Fällen mit bildgebenden oder molekularen Verfahren, etwa bei der Demenz- oder Parkinson-Risikovorhersage. Sie bieten dabei den Vorteil, dass sie nicht invasiv und potenziell skalierbar sind. Gleichzeitig weisen die Forschenden auf Limitationen hin, insbesondere auf die Selektionsverzerrung klinischer Schlaflaborkohorten.
Insgesamt demonstriert die Studie überzeugend, dass Schlaf als hochdimensionales Biosignal weit über die Diagnostik klassischer Schlafstörungen hinausreicht. SleepFM liefert einen methodischen Rahmen, um Schlafdaten als allgemeine Quelle für frühe Krankheitsentdeckung und Risikoermittlung zu nutzen. Diese Möglichkeiten haben unmittelbare Relevanz für klinische Forschung, Präzisionsmedizin und künftige Wearable-basierte Anwendungen. Zudem stärken sie das Potential einer Primärprävention.
