Von Demenz bis Herzinfarkt

-

KI sagt 130 Krankheiten im Schlaf voraus

Zu KI wird in vielen Bereichen geforscht, darunter in der Medizin. Im Herbst vergangenen Jahres erschien beispielsweise im Fachjournal »Nature« eine Publikation, in der Forschende aus Heidelberg ein KI-Modell vorstellten, das das individuelle Erkrankungsrisiko für mehr als 1000 Erkrankungen vorhersagen kann. Nun machte ein anderes KI-Prognosetool Schlagzeilen.

Im Wissenschaftsmagazin »Nature Medicine« erschien kürzlich eine Arbeit, die sich ebenfalls mit der Vorhersage von Krankheitsrisiken mit Hilfe von KI beschäftigt. Ein Team um Doktorand Rahul Thapa von der Stanford University beschreibt ein multimodales KI-Modell, das Krankheiten aus Daten, die während des Schlafens aufgezeichnet werden, erstaunlich präzise vorhersagen kann. Es nutzt dazu die Daten aus Polysomnografie-Aufzeichnungen. Damit heben die Forschenden die bislang nur zu einem Bruchteil genutzte Komplexität der Schlafphysiologie in eine neue Ebene und eröffnen Möglichkeiten für skalierbare Krankheitsvorhersagen.

Ausgangspunkt für die Forschungsarbeit war die Beobachtung, dass die Polysomnografie (PSG) als Goldstandard der Schlafdiagnostik zwar hochaufgelöste Informationen aus Gehirnaktivität, Herzfunktion, Muskelaktivität und Atmung liefert; diese Daten konnten jedoch bisher nur für eng umrissene Fragestellungen verwendet werden.

Die Forschenden adressierten dieses Problem mit dem KI-Modell »SleepFM«, das die heterogenen Daten der Schlafanalyse auslesen und verarbeiten kann. Es wurde anhand von fast 600.000 Stunden Schlafdaten aus PSG-Aufzeichnungen von 65.000 Teilnehmern trainiert. Letztlich lerne SleepFM gewissermaßen die Sprache des Schlafes, formuliert Seniorautor Professor Dr. James Zou in einer Pressemitteilung seiner Universität.

Die Forschenden konnten zeigen, dass die KI solide bis sehr gute Leistungen bei klassischen Schlafanalyse-Aufgaben wie Schlafstadien-Klassifikation und Schlafapnoe-Einteilung erzielen kann. Die Ergebnisse sind ähnlich präzise wie solche, die mit spezialisierten Verfahren erhalten werden, obwohl diese Aufgaben nicht der primäre Fokus der Studie waren. 

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.