斯坦福发布SleepFM：AI仅凭一晚睡眠数据即可预测130种疾病风险与寿命
2026/04/06 20:56阅读量 2
斯坦福大学团队在《Nature Medicine》发表研究，推出基于多导睡眠图（PSG）的AI模型SleepFM，通过分析一晚的脑电、心电等生理信号，可预测未来6年内130种疾病风险及全因死亡率。该模型在神经系统和循环系统疾病预测上表现优异，全因死亡率预测准确率达84%，且已开源。尽管当前依赖专业医疗设备，但研究旨在为未来消费级可穿戴设备的无创健康监测提供算法基础。
事件概述
斯坦福大学研究团队开发了一款名为SleepFM的AI基础模型，该模型仅需分析单次夜间多导睡眠图（PSG）数据，即可预测个体在未来6年内的健康风险，涵盖130种疾病及全因死亡率。
核心数据与性能
- 训练规模：基于65,000名参与者、总计超过58.5万小时的睡眠记录进行训练。数据来源包括斯坦福睡眠诊所（1999-2024年）及BioSerenity机构（2004-2019年）的多模态生理信号。
- 预测准确率：
- 全因死亡率：准确率达84%。
- 痴呆症：准确率达85%。
- 心肌梗死：准确率达81%。
- 心力衰竭：准确率达80%。
- 慢性肾病：准确率达79%。
- 评估指标：在C-Index（一致性指数）和AUROC（受试者工作特征曲线下面积）指标上，整体表现远超0.5的随机猜测基准线，多数关键指标C-Index > 0.75。
技术原理与数据构成
SleepFM利用深度学习处理复杂的生理信号组合，包括：
- 脑电图 (EEG)：监测大脑活动。
- 心电图 (EKG/ECG)：监测心率变化。
- 肌电图 (EMG)：捕捉肌肉运动。
- 气流信号：记录呼吸信息。
研究团队通过回顾性实验验证了模型的长期预测能力，即使用2020年以前的旧数据训练，成功预测了2020年以后患者的真实病历情况，证明了模型并非简单记忆数据，而是掌握了代谢状态在睡眠中的显化规律。
临床价值与应用前景
- 医疗资源再利用：全球每年有数百万人因睡眠呼吸暂停接受PSG检查。SleepFM可在不增加患者额外负担的情况下，将现有的PSG数据转化为心脏、大脑及寿命的深度风险评估报告。
- 推动可穿戴设备发展：虽然当前模型依赖贴电极的专业PSG设备，但作者将其定位为“教师模型”。未来可通过算法迁移，指导智能手表等消费级设备利用有限的心电和呼吸信号实现类似的早期预警功能。
- 开源计划：SleepFM模型已在GitHub开源，旨在加速无创实时健康监测技术的普及。
局限性与展望
- 当前门槛：仍需专业多导睡眠图设备，无法直接应用于普通家庭场景。
- 未来方向：随着穿戴设备传感器精度提升，结合此类经过临床大数据训练的AI算法，有望实现全天候的健康监测与早期疾病预警。