Model, 65 bini aşkın katılımcıdan toplanan yaklaşık 600 bin saatlik uyku verisiyle eğitildi. Beyin aktivitesi, kalp ritmi, solunum, göz ve bacak hareketleri gibi fizyolojik sinyallerin detaylı biçimde izlendiği polisomnografi yöntemi bu çalışmanın temelini oluşturdu.
Çalışmanın kıdemli yazarlarından Prof. Dr. Emmanuel Mignot, uyku sırasında kaydedilen verilerin potansiyeline dikkat çekerek şunları ifade etti:
“Uyku, insan fizyolojisinin sistemli şekilde okunabildiği az sayıdaki dönemlerden biridir. Buradaki veri zenginliği, hastalıkların erken dönem işaretlerini barındırıyor.”
Biyomedikal veri bilimi uzmanı James Zou ise SleepFM’in yapısını, “uykunun dilini öğrenen bir sistem” olarak tanımladı. Veriler beş saniyelik parçalara ayrılarak işleniyor ve model, beyin ile kalp sinyallerinden solunum akışına kadar tüm kanallar arasındaki ilişkileri çözümlüyor.
KANSER VE KALP HASTALIKLARINDA YÜKSEK DOĞRULUK
Modelin performansı, kritik hastalıklarda gözle görülür seviyede doğruluk sağladı. SleepFM; Parkinson, demans, prostat ve meme kanseri, hipertansif kalp hastalığı ve kalp krizi gibi rahatsızlıklarda 0,8’in üzerinde C-indeksi ile öngörü yaptı.
Bu skor, klinikte kullanılan birçok tahmin sisteminin üzerinde seyrediyor. Uzmanlar, özellikle kanser türlerinde elde edilen sonuçların tıp pratikleri açısından dikkat çekici olduğunu belirtiyor.
Araştırmalar, bazı fizyolojik uyumsuzlukların hastalık riskine işaret ettiğini de gösterdi. Örneğin; uykuda olan beyinle uyanıklık modu gösteren kalp sinyallerinin eşleşmemesi, kardiyovasküler risk faktörü olarak değerlendirildi.
YAPAY ZEKÂNIN TIPLA BULUŞTUĞU YENİ BİR EŞİK
Stanford ekibi, SleepFM’in gelecekte giyilebilir cihazlarla entegre edilmesi halinde evden yapılan erken sağlık taramalarının mümkün olabileceğini ifade ediyor. Uzun vadeli sağlık kayıtlarıyla eşleştirilen uyku verilerinin, birçok hastalığın yıllar öncesinden sinyal verebileceği vurgulanıyor.
James Zou, modelin sunduğu yeni ufka ilişkin şu değerlendirmeyi yaptı:
“Birçok hastalık, gözle görülür hale gelmeden uzun süre önce fizyolojik izler bırakıyor. Bu sinyalleri uyku verisinde tespit etmek, büyük bir dönüşüm yaratabilir.”
Araştırmacılar, bir sonraki aşamada modelin hangi verileri dikkate aldığını daha net gösteren yorumlanabilir yapay zekâ yaklaşımlarına odaklanacak. Ayrıca giyilebilir teknoloji verilerinin eklenmesiyle doğruluk oranlarının daha da artabileceği belirtiliyor.
Bu çalışmayla, yapay zekânın klinik tıpta yalnızca teşhis destek aracı değil, aynı zamanda erken dönemde risk haritaları çıkarabilen bir değerlendirme sistemi olarak kullanılabileceğini öngörülüyor.
