Stanford Üniversitesi ve iş birliği yaptığı araştırma ekipleri, sağlık teknolojilerinde ezber bozan bir gelişmeye imza attı. SleepFM adı verilen yeni yapay zekâ modeli, sadece bir gecelik uyku verisinden yola çıkarak, bireylerin 100'den fazla hastalık riskini öngörebiliyor. Bu yenilikçi sistem, gelecekte demans, kalp yetmezliği ve tüm nedenlere bağlı ölüm gibi ciddi sağlık sorunlarının erken teşhisinde önemli bir rol üstlenebilir. SleepFM'nin geliştirilmesinde, farklı yaş gruplarından ve çeşitli kliniklerden toplanan geniş kapsamlı fizyolojik kayıtlar kullanıldı. Araştırmacılar, bu modelin özellikle Parkinson hastalığı, kalp krizi, inme, kronik böbrek hastalığı ve bazı kanser türleri gibi kritik hastalıkların tahmininde mevcut yöntemlerin ötesine geçtiğini belirtiyor.
SleepFM: uyku analizinde yeni bir dönem
SleepFM, temelinde ChatGPT gibi büyük dil modellerine benzer bir teknolojiye sahip. Ancak, bu model kelimeler ve metinler yerine, uyku kliniklerinden elde edilen ve her biri 5 saniyelik dilimlere ayrılmış yaklaşık 600.000 saatlik uyku verisini analiz ediyor. 65.000'den fazla katılımcıdan toplanan bu devasa veri seti, SleepFM'nin uyku analizi alanında benzeri görülmemiş bir doğrulukla çalışmasını sağlıyor. Uyku klinisyenleri, polisomnografi (PSG) adı verilen, beyin, kalp ve solunum aktivitelerinin yanı sıra bacak ve göz hareketlerini de izleyen kapsamlı bir yöntemle bu verileri topladı. PSG, uyku tıbbında 'altın standart' olarak kabul ediliyor ve SleepFM'nin başarısında bu detaylı veri toplama süreci büyük rol oynuyor. Araştırmanın başındaki isimlerden Prof. Emmanuel Mignot, uyku çalışmalarında çok sayıda sinyal kaydettiklerini ve bu sinyallerin yapay zekâ tarafından analiz edilmesinin sağlık risklerinin öngörülmesinde yeni bir kapı araladığını ifade ediyor.
130 hastalık riskinde yüksek doğruluk
SleepFM'nin başarısı, yalnızca veri miktarına değil, aynı zamanda kullanılan yenilikçi öğrenme yöntemlerine de dayanıyor. Araştırmacılar, "birini dışarıda bırakma karşıt öğrenimi" adını verdikleri yeni bir teknikle modeli test etti. Bu yöntemde, örneğin nabız ya da solunum akışı gibi belirli bir biyolojik veri türü hariç tutuluyor ve SleepFM'nin eksik bilgiyi diğer verilerden tahmin etmesi bekleniyor. Ayrıca, SleepFM'nin analiz ettiği PSG verileri, 25 yıla kadar takip edilen sağlık kayıtlarıyla eşleştirildi. Böylece, modelin uzun vadeli sağlık sonuçları üzerindeki tahmin gücü de değerlendirildi. Sonuç olarak, SleepFM 1.041 hastalık kategorisi arasında 130 hastalığı makul bir doğrulukla tahmin edebildi. Özellikle kanserler, hamilelik komplikasyonları, dolaşım sistemi hastalıkları ve zihinsel bozukluklarda modelin performansı dikkat çekiciydi. C-indeksi olarak adlandırılan ölçekte 0.8'in üzerinde bir başarı elde eden SleepFM, bu alanda mevcut tahmin modellerinin önüne geçti.
Uyku analizi ile hastalıkların erken teşhisi mümkün mü?
SleepFM'nin elde ettiği sonuçlar, uyku analizi ile sağlık arasında güçlü bir bağ olduğunu bir kez daha gözler önüne seriyor. Model, özellikle Parkinson hastalığı, kalp krizi, inme, kronik böbrek hastalığı, prostat ve meme kanseri gibi hastalıkların yanı sıra tüm nedenlere bağlı ölüm riskinin tahmininde de yüksek doğruluk sağladı. Araştırmacılar, kötü uyku alışkanlıklarının olumsuz sağlık sonuçlarıyla ilişkisini bir kez daha doğrularken, uyku verilerinin erken teşhis için paha biçilmez bir kaynak olabileceğini vurguluyor. SleepFM'nin en iyi sonuçları, fizyolojik işlevler arasındaki uyumsuzlukları tespit ettiğinde ortaya çıktı. Örneğin, uyku halinde görünen bir beyin ile uyanık gibi davranan bir kalp arasındaki senkronizasyon eksikliği, modelin hastalık riskini yüksek doğrulukla öngörmesini sağladı. Bu tür fizyolojik karşıtlıklar, sağlık sorunlarının erken belirtileri olarak değerlendiriliyor.
Veri çeşitliliği ve modelin sınırları
Her ne kadar SleepFM, uyku analizi alanında çığır açıcı bir adım olarak görülse de, modelin bazı sınırlamaları da bulunuyor. Araştırmacılar, son yıllarda değişen klinik uygulamalar ve hasta profillerinin yanı sıra, verilerin yalnızca uyku çalışmaları için yönlendirilen hastalardan toplandığını belirtiyor. Bu durum, genel nüfusun tamamının PSG verilerinde temsil edilmediği anlamına geliyor. Yine de, SleepFM'nin sağlık alanında yapay zekâ uygulamalarının potansiyelini gözler önüne serdiği ve gelecekte giyilebilir uyku cihazlarıyla entegre edilerek gerçek zamanlı sağlık takibi sunabileceği öngörülüyor. Stanford Üniversitesi'nden biyomedikal veri bilimcisi James Zou, SleepFM'nin "uykunun dilini" öğrendiğini ve bu sayede sağlık risklerinin erken tespitinde yeni bir çağ başlatabileceğini ifade ediyor.
Sonuç olarak, Stanford Üniversitesi'nin geliştirdiği SleepFM modeli, yalnızca bir gecelik uyku analiziyle 100'den fazla hastalık riskini öngörebilme kapasitesiyle sağlık teknolojilerinde devrim niteliğinde bir adım olarak değerlendiriliyor. Uyku analizi ve yapay zekâ entegrasyonu, önümüzdeki yıllarda erken teşhis ve önleyici sağlık hizmetlerinde çok daha önemli bir rol üstlenebilir. Bu gelişme, bireylerin sağlık durumlarını daha yakından takip etmelerine ve olası hastalık risklerine karşı önceden önlem almalarına olanak tanıyacak yenilikçi bir yaklaşımın habercisi olarak öne çıkıyor.
