دراسة: الذكاء الاصطناعي يرصد مخاطر أكثر من 100 حالة صحية باستخدام بيانات نوم ليلة واحدة

طوّر باحثون في جامعة ستانفورد نموذجًا جديدًا للذكاء الاصطناعي يسمى “SleepFM” قادرًا على التنبؤ بخطر الإصابة بأكثر من 100 حالة صحية بناءً على بيانات النوم. يعتمد هذا النموذج على تحليل شامل لأنماط النوم، بما في ذلك نشاط الدماغ ومعدل ضربات القلب، لتقديم تقييم دقيق للمخاطر الصحية المحتملة. يمثل هذا التطور خطوة مهمة في مجال التشخيص المبكر للأمراض باستخدام تكنولوجيا النوم المتقدمة.
تحليل النوم بالذكاء الاصطناعي: اكتشاف مبكر للأمراض
يستخدم “SleepFM” تقنيات تعلّم الآلة المتقدمة لقراءة وتحليل بيانات النوم التفصيلية. جمعت هذه البيانات من أكثر من 65,000 مريض على مدار خمس سنوات، أي ما يزيد عن 580,000 ساعة من مراقبة النوم في العيادات المتخصصة. تم تقسيم البيانات إلى مقاطع قصيرة، مما سمح للنموذج بتعلّم “لغة النوم” المعقدة، كما وصفها الباحثون.
دقة التنبؤات وتنوع الأمراض
أظهرت الدراسة، المنشورة في مجلة Nature المرموقة، دقة عالية في التنبؤ بالعديد من الأمراض. ففي ما يتعلق بمرض باركنسون ومرض الزهايمر والخرف وأمراض القلب والأوعية الدموية وأنواع معينة من السرطان، حقق النموذج دقة تتجاوز 80٪. بالإضافة إلى ذلك، قدر “SleepFM” احتمالية الوفاة بدقة بلغت 84٪.
However, كانت دقة النموذج أقل قليلاً في التنبؤ ببعض الحالات مثل مرض الكلى المزمن والسكتة الدماغية واضطرابات ضربات القلب، حيث بلغت نسبة الدقة ما لا يقل عن 78٪. يعزو الباحثون هذا الاختلاف إلى التعقيدات الإضافية المرتبطة بهذه الأمراض وصعوبة اكتشافها من خلال بيانات النوم وحدها.
كيف يعمل “SleepFM”؟
يركز النموذج على تحليل التزامن بين الإشارات الفسيولوجية المختلفة أثناء النوم. على سبيل المثال، يشير عدم التوافق بين نشاط الدماغ ومعدل ضربات القلب إلى وجود خلل محتمل في الجسم. هذا النهج يتيح للذكاء الاصطناعي اكتشاف المؤشرات الدقيقة التي قد لا يلاحظها الأطباء بسهولة.
Additionally، قام الباحثون بدمج بيانات النوم مع السجلات الصحية للمرضى لتوفير سياق إضافي وتحسين دقة التنبؤات. تساعد هذه المعلومات النموذج على الربط بين أنماط النوم المحددة وتطور الأمراض المختلفة.
البيانات القابلة للارتداء وتحسين الأداء
تخطط جامعة ستانفورد لتوسيع قاعدة بيانات “SleepFM” لتشمل البيانات التي يتم جمعها من الأجهزة القابلة للارتداء، مثل الساعات الذكية وأجهزة تتبع اللياقة البدنية. ومن المتوقع أن يؤدي ذلك إلى زيادة دقة النموذج وتوسيع نطاق قدراته، مما يجعله أداة أكثر فعالية للصحة الشخصية والرعاية الصحية.
Meanwhile، يؤكد الباحثون على أن الدراسة الحالية تركز على عينة محددة من الأفراد الذين يعانون بالفعل من مشاكل صحية أو يشتبه في إصابتهم بها. لذلك، قد لا تعكس النتائج بدقة قدرة الذكاء الاصطناعي على الكشف عن الأمراض لدى عامة السكان. هناك حاجة إلى مزيد من الدراسات على نطاق أوسع لتقييم الأداء الفعلي للنموذج في سيناريوهات الحياة الواقعية.
مستقبل التشخيص بالاعتماد على النوم
تعتبر هذه الدراسة علامة فارقة في تطوير أدوات التشخيص المبكر القائمة على تحليل النوم. قد يفتح الطريق أمام تطوير تطبيقات وأجهزة يمكنها مراقبة أنماط النوم للأفراد وتقديم توصيات مخصصة لتحسين صحتهم ورفاهيتهم العامة. تراسخ هذه التكنولوجيا إمكانية إحداث ثورة في طريقة تعاملنا مع الوقاية من الأمراض.
في الختام، يشير الباحثون إلى أن الخطوة التالية هي إجراء المزيد من الاختبارات السريرية لتقييم فعالية “SleepFM” في بيئات الرعاية الصحية المختلفة. من المتوقع أن يتم الانتهاء من هذه الاختبارات في غضون عامين. من الأمور التي يجب مراقبتها، مدى قدرة النموذج على التكيف مع التنوع البيولوجي للمرضى المختلفين، وكيف سيتم دمج هذه التكنولوجيا في سير العمل السريري التقليدي. يبقى أن نرى كيف سيؤثر هذا الابتكار على مستقبل تكنولوجيا الصحة.