Νέο εργαλείο AI φέρνει την επανάσταση στην ανάλυση του ύπνου

Ερευνητές της Ιατρικής Σχολής Icahn ανέπτυξαν ένα ισχυρό εργαλείο τεχνητής νοημοσύνης, βασισμένο στα ίδια σχέδια μετασχηματιστή που χρησιμοποιούνται από μεγάλα γλωσσικά μοντέλα όπως το ChatGPT, για την επεξεργασία και τη μελέτη ενός νυχτερινού ύπνου. Μέχρι σήμερα, αυτή είναι μια από τις μεγαλύτερες μελέτες, που αναλύει 1.011.192 ώρες ύπνου. Λεπτομέρειες για τα ευρήματά τους αναφέρθηκαν στο διαδικτυακό τεύχος του περιοδικού Sleep.

Το μοντέλο, που ονομάζεται patch foundational transformer for sleep (PFTSleep), αναλύει τα εγκεφαλικά κύματα, τη μυϊκή δραστηριότητα, τον καρδιακό ρυθμό και τα μοτίβα της αναπνοής για να ταξινομήσει τα στάδια ύπνου πιο αποτελεσματικά σε σχέση με τις παραδοσιακές μεθόδους, εξορθολογίζοντας την ανάλυση ύπνου, μειώνοντας τη μεταβλητότητα και υποστηρίζοντας μελλοντικά κλινικά εργαλεία για τον εντοπισμό διαταραχών ύπνου και άλλους κινδύνους για την υγεία.

Η τρέχουσα ανάλυση ύπνου βασίζεται σε μεγάλο βαθμό σε ειδικούς που βαθμολογούν με μη αυτόματο τρόπο μικρά τμήματα δεδομένων ύπνου ή χρησιμοποιούν μοντέλα τεχνητής νοημοσύνης που δεν είναι ικανά να αναλύσουν τον ύπνο ενός ασθενούς συνολικά. Αυτή η νέα προσέγγιση, που αναπτύχθηκε χρησιμοποιώντας χιλιάδες εγγραφές ύπνου, έχει μια πιο ολοκληρωμένη άποψη. Με την εκπαίδευση σε δεδομένα ύπνου πλήρους μήκους, το μοντέλο μπορεί να αναγνωρίσει τα πρότυπα ύπνου κατά τη διάρκεια της νύχτας και σε διαφορετικούς πληθυσμούς και ρυθμίσεις, προσφέροντας μια τυποποιημένη και επεκτάσιμη μέθοδο για έρευνα ύπνου και κλινική χρήση, λένε οι ερευνητές.

Σύμφωνα με το News Medical, το μοντέλο κατασκευάστηκε χρησιμοποιώντας ένα μεγάλο σύνολο δεδομένων από μελέτες ύπνου (πολυσωμνογράμματα) που μετρούν βασικά φυσιολογικά σήματα, συμπεριλαμβανομένης της εγκεφαλικής δραστηριότητας, του μυϊκού τόνου, του καρδιακού παλμού και των μοτίβων αναπνοής. Σε αντίθεση με τα παραδοσιακά μοντέλα τεχνητής νοημοσύνης, τα οποία αναλύουν μόνο μικρά τμήματα των 30 δευτερολέπτων, αυτό το νέο μοντέλο λαμβάνει υπόψη το σύνολο του ύπνου, καταγράφοντας πιο λεπτομερή και διακριτικά μοτίβα. Επιπλέον, το μοντέλο εκπαιδεύεται μέσω μιας μεθόδου γνωστής ως αυτο-επίβλεψης, η οποία βοηθά στην εκμάθηση σχετικών κλινικών χαρακτηριστικών από φυσιολογικά σήματα χωρίς τη χρήση αποτελεσμάτων που έχουν επισημανθεί από τον άνθρωπο.

Απολαμβάνετε το περιεχόμενο μας? Εγγραφείτε στο newsletter μας!

Αυτό είναι ένα βήμα προόδου σε ό,τι αφορά την ανάλυση και ερμηνεία ύπνου με τη βοήθεια της τεχνητής νοημοσύνης. Αξιοποιώντας την τεχνητή νοημοσύνη με αυτόν τον τρόπο, μπορούμε να μάθουμε σχετικά κλινικά χαρακτηριστικά απευθείας από τα δεδομένα σήματος της μελέτης ύπνου και να τα χρησιμοποιήσουμε για τη βαθμολόγηση του ύπνου και, στο μέλλον, άλλες κλινικές εφαρμογές, όπως η ανίχνευση υπνικής άπνοιας ή η αξιολόγηση των κινδύνων για την υγεία που συνδέονται με την ποιότητα του ύπνου», δήλωσε ο Benjamin Fox, πρώτος συγγραφέας, υποψήφιος διδάκτορας στο Icahn School of Medicine στο Mount Sinai με ειδίκευση στην εκπαίδευση τεχνητής νοημοσύνης και αναδυόμενων τεχνολογιών.