Kaliforniya merkezli Stanford ekibinin geliştirdiği büyük dil modeli “SleepFM”, uyku sırasında kaydedilen beyin dalgaları, kalp atış hızı, solunum sinyalleri ile bacak ve göz hareketlerini birlikte değerlendirerek hastalık risklerini hesaplıyor.
Nature dergisinde yayımlanan çalışmada, araştırmacılar modeli eğitmek için 1999–2024 yılları arasında 65 bin hastadan elde edilen 580 bini aşkın saatlik uyku verisini kullandı. Uyku kliniklerinde toplanan bu veriler, gece boyunca kaydedilen uyku düzenlerinin analiz edilmesiyle oluşturuldu ve yapay zekânın öğrenme sürecinde beşer saniyelik bölümler halinde işlendi. Bu küçük zaman dilimleri, büyük dil modellerinde kelimelerin üstlendiği role benzer şekilde kullanıldı.
Çalışmanın yazarlarından ve Stanford Üniversitesi’nde biyomedikal veri bilimi doçenti olan James Zou, SleepFM’nin “uykunun kendine özgü dilini öğrenen” bir sistem olduğunu ifade etti.
Araştırmacılar, uyku verilerini hastaların bireysel sağlık kayıtlarıyla eşleştirerek modeli, gelecekte gelişebilecek hastalıkları tahmin edebilecek şekilde eğitti.
SleepFM; Parkinson, Alzheimer, demans, hipertansif kalp hastalığı, kalp krizi, prostat kanseri ve meme kanseri gibi birçok hastalığın gelişimini en az yüzde 80 doğruluk oranıyla öngörebildi. Modelin ölüm riskini tahmin etme başarısı ise yüzde 84 olarak ölçüldü.
Kronik böbrek hastalığı, inme ve kalp ritim bozuklukları (aritmi) gibi bazı sağlık sorunlarında doğruluk oranı daha düşük kaldı; ancak bu hastalıklar da vakaların en az yüzde 78’inde doğru şekilde tahmin edildi.
Stanford Üniversitesi’nde uyku tıbbı profesörü olan Emmanuel Mignot, uyku sırasında çok sayıda sağlık göstergesinin kaydedildiğine dikkat çekerek, “Sekiz saat boyunca tamamen hareketsiz bir insanın genel fizyolojisini izliyoruz. Bu, son derece zengin ve değerli bir veri seti sunuyor,” değerlendirmesinde bulundu.
Araştırmacılar, beynin uyku halinde görünmesine rağmen kalbin uyanıklık sinyalleri vermesi gibi biyolojik uyumsuzlukların ciddi sağlık risklerine işaret edebildiğini ve farklı biyolojik verilerin birlikte analiz edilmesinin modelin başarısını artırdığını vurguladı.
Stanford ekibi, SleepFM’nin tahmin gücünü daha da geliştirmek amacıyla ilerleyen aşamada giyilebilir teknolojilerden elde edilen verileri de sisteme dahil etmeyi planlıyor.
Bununla birlikte araştırmacılar, çalışmanın önemli bir sınırlamasına da dikkat çekti. Verilerin yalnızca sağlık sorunları şüphesiyle uyku kliniklerine başvuran kişilerden elde edildiği belirtilerek, sonuçların modelin genel nüfustaki hastalıkları tespit etme kapasitesini tam olarak yansıtmayabileceği ifade edildi.
