Yapay zeka teknolojisi, sağlık alanında sınırları zorlamaya devam ediyor. Özellikle uyku sırasında toplanan fizyolojik sinyaller, bugüne kadar yeterince değerlendirilmeyen bir kaynak olarak öne çıkıyor. Son dönemde geliştirilen bir model, bu verileri derinlemesine analiz ederek uzun vadeli sağlık risklerini ortaya koyuyor.
SleepFM adı verilen bu yapay zeka sistemi, uyku laboratuvarında geçirilen tek bir geceden elde edilen kayıtları temel alıyor. Polisomnografi olarak bilinen yöntemle beyin dalgaları, kalp aktivitesi, solunum paternleri, kas gerginliği, göz ve bacak hareketleri eş zamanlı olarak kaydediliyor. Model, bu karmaşık sinyalleri bir araya getirerek istatistiksel bir "uyku dili" oluşturuyor ve normal uyku düzenindeki uyumu öğreniyor.
Eğitim sürecinde yaklaşık 65 bin kişiye ait 585 bin saatlik uyku kaydı kullanıldı. Bu verilerin büyük kısmı Stanford Uyku Tıbbı Merkezi'nden gelirken, farklı gruplardan katılımcılar da dahil edildi. Model, öncelikle uyku evrelerini belirleme ve uyku apnesi gibi durumları tanıma görevlerinde test edildi. Bu aşamada mevcut yöntemlerle rekabet edebilecek performans gösterdi.
Daha ileri bir adımda, uyku kayıtları geriye dönük olarak 25 yıla varan elektronik sağlık kayıtlarıyla eşleştirildi. Analizler sonucunda, tek bir gecelik veriden yola çıkarak riski orta ve yüksek doğrulukta tahmin edilebilen yaklaşık 130 hastalık kategorisi belirlendi. Özellikle demans, parkinson, kalp krizi, kalp yetmezliği, bazı kanser türleri ve genel ölüm riski gibi durumlar daha başarılı şekilde öngörüldü.
Araştırmacılar, farklı sinyallerin ayrı ayrı ve birlikte değerlendirilmesinin önemini vurguluyor. Kalp sinyalleri kalp-damar hastalıklarında, beyin sinyalleri ise nörolojik ve psikiyatrik bozukluklarda daha belirleyici rol oynuyor. Ancak en anlamlı sonuçlar, sinyaller arasındaki uyum veya uyumsuzlukların incelenmesiyle elde ediliyor. Örneğin, beyin uykuda istikrarlı bir durum gösterirken kalbin daha aktif davranması gibi durumlar, gizli yüklenmelere işaret edebiliyor.
Bu tür uyumsuzluklar, belirtiler ortaya çıkmadan yıllar önce erken hastalık süreçlerini yansıtabiliyor. Modelin geliştiricileri, rutin uyku ölçümlerinin insan sağlığının uzun vadeli seyri için önemli bir pencere açtığını belirtiyor. SleepFM, yalnızca istatistiksel ilişkileri tespit ediyor olsa da, bu ilişkiler erken uyarı sistemi olarak büyük potansiyel taşıyor.
Analizlerde kalp sinyallerinin kalp-damar hastalıklarını, beyin sinyallerinin nörolojik sorunları öngörmede etkili olduğu görüldü. Birlikte değerlendirildiğinde ise doğruluk oranı önemli ölçüde artıyor. Bu yaklaşım, uyku tıbbındaki mevcut yöntemlere kıyasla daha kapsamlı bir bakış açısı sunuyor.
Modelin temelini oluşturan veriler ağırlıklı olarak uyku laboratuvarlarına yönlendirilen kişilerden geliyor. Bu durum, uyku şikayeti olmayan veya sağlık hizmetlerine erişimi sınırlı bireylerin yeterince temsil edilmemesine yol açıyor. Araştırmacılar, farklı kohortları dahil etmiş olsa da bu temsil sorunu tamamen ortadan kalkmış değil.
SleepFM gibi sistemler, polisomnografi verilerini daha kompakt ve analiz edilebilir hale getirerek hekimlerin iş yükünü azaltıyor. Uyku evrelerinin işaretlenmesi veya apne tespitleri gibi işlemler daha hızlı ve hatasız gerçekleşebiliyor. Böylece sağlık uzmanları hastalarla daha fazla zaman geçirebiliyor.
Yapay zeka, hastalıkların nedenlerini doğrudan açıklamıyor; yalnızca uyku paternleriyle sonraki tanılar arasındaki korelasyonları ortaya koyuyor. Bu nedenle nedensel bağlantıların tıbbi uzmanlar tarafından doğrulanması gerekiyor. Model, erken tespit ve önleme açısından fırsatlar sunsa da tanı ve tedavi sorumluluğu tamamen hekimlerde kalıyor.
Uyku sırasında gözlenen belirli sinyal profilleri, sinir sistemi, kalp-damar sistemi veya bağışıklık sistemindeki erken değişikliklere dair ipuçları verebilir. Bu bulgular, ileride daha geniş popülasyonlarda uygulanabilir hale gelirse sağlık taramalarında önemli bir rol oynayabilir. Yapay zeka, uyku verilerini değerlendirerek geleceğe dair daha net bir resim çizme potansiyeline sahip.
