Stanford entwickelt KI-Modell zur Krankheitsvorhersage mittels Schlafdaten

Worum geht’s?

Wissenschaftler der Stanford University haben ein neuartiges KI-System namens SleepFM vorgestellt, das auf Grundlage von Schlafdaten Risiken für über 130 verschiedene Krankheiten identifizieren kann. Das System wertet dabei Informationen aus der Polysomnographie aus – einem Verfahren, bei dem während des Schlafs diverse physiologische Parameter wie Hirnaktivität, Herzfunktion und Atemmuster aufgezeichnet werden. Bereits nach einer einzigen Nacht können so potenzielle Gesundheitsrisiken erkannt werden, oft Jahre bevor erste Symptome auftreten.

Die Bandbreite der prognostizierbaren Erkrankungen reicht von neurodegenerativen Leiden wie Demenz und Parkinson über kardiovaskuläre Ereignisse bis hin zu verschiedenen Krebsarten. Das Modell basiert auf einer umfangreichen Datenbasis von mehr als 585.000 Stunden Schlafaufzeichnungen von rund 65.000 Probanden.

Hintergrund & Einordnung

SleepFM wird als sogenanntes Foundation Model klassifiziert – eine KI-Architektur, die ähnlich wie große Sprachmodelle verschiedenste Datenmodalitäten verarbeiten und daraus komplexe Muster ableiten kann. Die zentrale technische Herausforderung bestand darin, die unterschiedlichen physiologischen Signale in eine konsistente Datensprache zu übersetzen, die das System interpretieren kann. Der Zusammenhang zwischen Schlafqualität und allgemeiner Gesundheit ist wissenschaftlich gut dokumentiert – SleepFM nutzt diese Verbindung erstmals systematisch für Langzeitprognosen.

Die Innovation liegt weniger in der Polysomnographie selbst, die seit Jahrzehnten etabliert ist, sondern in der KI-gestützten Interpretation der Daten. Während solche Untersuchungen bisher hauptsächlich zur Diagnose von Schlafstörungen eingesetzt wurden, eröffnet der präventive Ansatz völlig neue Perspektiven. Das System identifiziert subtile Muster in den physiologischen Signalen, die für menschliche Experten kaum erkennbar wären und die auf zukünftige Gesundheitsrisiken hindeuten können.

Kritisch zu betrachten ist allerdings, dass für eine vollständige Polysomnographie nach wie vor eine Untersuchung im Schlaflabor erforderlich ist. Die Übertragbarkeit auf verbrauchernahe Wearables und Schlaftracker bleibt abzuwarten. Zudem bedarf es weiterer Validierung in unterschiedlichen Populationen und klinischen Settings, bevor das System in der breiten medizinischen Praxis eingesetzt werden kann.

Was bedeutet das?

Hersteller medizinischer Diagnostikgeräte könnten KI-gestützte Analysefunktionen in ihre Polysomnographie-Systeme integrieren und damit deren Nutzen deutlich erweitern.
Versicherungsunternehmen im Gesundheitsbereich erhalten potenziell neue Instrumente für die Risikobewertung und könnten präventive Programme auf individueller Datenbasis entwickeln.
Unternehmen im Bereich Digital Health und Wearables sollten die Entwicklung beobachten, da eine Vereinfachung der Datenerfassung neue Geschäftsmodelle für präventive Gesundheitsservices ermöglichen könnte.
Pharmaunternehmen und Forschungseinrichtungen können solche Systeme für die Früherkennung in klinischen Studien nutzen und Hochrisikopatienten gezielter identifizieren.
Arbeitgeber mit betrieblichem Gesundheitsmanagement könnten langfristig von präventiven Screening-Programmen profitieren, sofern datenschutzrechtliche und ethische Fragen geklärt sind.