Model AI baru yang dikembangkan oleh Stanford, SleepFM, mengubah rekaman tidur satu malam di laboratorium menjadi sistem peringatan dini yang ampuh untuk penyakit di masa depan. Dengan mempelajari "bahasa" tidur, model ini dapat memprediksi risiko berbagai kondisi, mulai dari penyakit jantung hingga kanker.
Suatu malam di laboratorium tidur mungkin suatu hari nanti menawarkan lebih dari sekadar diagnosis mendengkur atau insomnia. Hal itu dapat berfungsi sebagai sistem peringatan dini untuk penyakit serius bertahun-tahun sebelum gejalanya muncul.
Para peneliti Stanford Medicine dan kolaborator telah mengembangkan model kecerdasan buatan, yang disebut SleepFM, yang dapat menganalisis rekaman tidur terperinci selama satu malam dan memprediksi risiko seseorang terkena lebih dari 100 kondisi kesehatan yang berbeda.
Pekerjaan, diterbitkan Dalam jurnal Nature Medicine, artikel ini memanfaatkan sumber daya yang telah dikumpulkan oleh para dokter spesialis tidur selama beberapa dekade tetapi hanya sebagian digunakan: polisomnografi, tes standar emas semalaman yang melacak gelombang otak, irama jantung, pernapasan, gerakan mata, aktivitas otot, dan banyak lagi.
Polisomnografi sudah menjadi bagian penting dalam mendiagnosis apnea tidur dan gangguan tidur lainnya. Namun, setiap studi menghasilkan data fisiologis yang kaya dan berkelanjutan selama berjam-jam yang sebagian besar tidak digunakan setelah laporan ditulis.
“Kami merekam sejumlah sinyal yang luar biasa ketika kami mempelajari tidur,” kata penulis senior bersama Emmanuel Mignot, Profesor Craig Reynolds dalam bidang Kedokteran Tidur di Stanford, dalam siaran pers. “Ini adalah semacam fisiologi umum yang kami pelajari selama delapan jam pada subjek yang benar-benar terkekang. Data yang diperoleh sangat kaya.”
SleepFM dirancang untuk mengungkap data tersebut.
Dibangun sebagai "model dasar" — kategori AI luas yang sama yang mencakup model bahasa besar — SleepFM dilatih menggunakan hampir 600,000 jam data polisomnografi dari sekitar 65,000 orang yang menjalani studi tidur di klinik. Kelompok terbesar berasal dari Stanford Sleep Medicine Center, yang telah mengumpulkan rekaman tidur sejak tahun 1970-an dan memasangkannya dengan catatan kesehatan jangka panjang.
Dari sudut pandang AI, tidur merupakan bidang yang selama ini diabaikan.
“Dari perspektif AI, tidur relatif kurang dipelajari. Ada banyak penelitian AI lain yang mempelajari patologi atau kardiologi, tetapi relatif sedikit yang mempelajari tidur, meskipun tidur merupakan bagian yang sangat penting dari kehidupan,” tambah penulis senior bersama James Zou, seorang profesor madya ilmu data biomedis di Stanford.
Untuk melatih SleepFM, tim membagi setiap studi semalaman menjadi potongan lima detik, mirip dengan cara model bahasa belajar dari kata dan frasa individual. Setiap potongan mencakup beberapa aliran data, seperti aktivitas otak (elektroensefalografi), aktivitas jantung (elektrokardiografi), aktivitas otot (elektromiografi), aliran udara pernapasan, dan denyut nadi.
“SleepFM pada dasarnya sedang mempelajari bahasa tidur,” tambah Zou.
Para peneliti juga mengembangkan strategi pelatihan baru, yang disebut pembelajaran kontrastif leave-one-out. Sederhananya, mereka akan menyembunyikan satu jenis sinyal — misalnya, irama jantung — dan menantang model untuk merekonstruksinya menggunakan sinyal yang tersisa. Hal itu memaksa AI untuk memahami bagaimana berbagai bagian fisiologi tubuh di malam hari saling berhubungan.
“Salah satu kemajuan teknis yang kami buat dalam pekerjaan ini adalah mencari cara untuk menyelaraskan semua modalitas data yang berbeda ini sehingga mereka dapat bersatu untuk mempelajari bahasa yang sama,” tambah Zou.
Setelah fase pelatihan yang luas ini, tim tersebut menyempurnakan SleepFM untuk tugas-tugas spesifik.
Pertama, mereka meminta SleepFM untuk melakukan apa yang sudah diupayakan oleh alat AI tidur yang ada: mengklasifikasikan tahapan tidur dan menilai tingkat keparahan apnea tidur. Pada tolok ukur tersebut, SleepFM menyamai atau melampaui model-model canggih terkini.
Kemudian para peneliti melakukan pengujian lebih lanjut, yaitu apakah pola yang tersembunyi dalam tidur satu malam dapat memprediksi penyakit di masa depan.
Karena Stanford Sleep Medicine Center memiliki catatan kesehatan elektronik selama beberapa dekade yang terhubung dengan studi tidur mereka, tim tersebut dapat melihat pasien mana yang kemudian mengembangkan berbagai kondisi. Hal itu memungkinkan mereka untuk bertanya: Apakah ada sesuatu dalam data tidur yang menjadi pertanda hasil tersebut?
SleepFM menganalisis lebih dari 1,000 kategori penyakit dan menemukan 130 di antaranya dapat diprediksi dengan akurasi yang wajar berdasarkan rekaman tidur asli. Prediksi model ini sangat akurat untuk kanker, komplikasi kehamilan, penyakit peredaran darah, dan gangguan kesehatan mental.
Untuk mengukur kinerja, para peneliti menggunakan metrik standar yang disebut indeks konkordansi, atau indeks C, yang menangkap seberapa baik sebuah model dapat memberi peringkat siapa yang kemungkinan besar akan sakit lebih cepat.
“Untuk semua kemungkinan pasangan individu, model ini memberikan peringkat siapa yang lebih mungkin mengalami suatu peristiwa — misalnya, serangan jantung — lebih awal. Indeks C sebesar 0.8 berarti bahwa 80% dari waktu, prediksi model sesuai dengan apa yang sebenarnya terjadi,” tambah Zou.
SleepFM mencapai atau melampaui level tersebut untuk beberapa kondisi serius, termasuk penyakit Parkinson, demensia, penyakit jantung hipertensi, serangan jantung, kanker prostat, kanker payudara, dan angka kematian secara keseluruhan.
“Kami sangat terkejut bahwa untuk berbagai kondisi yang cukup beragam, model ini mampu membuat prediksi yang informatif,” tambah Zou.
Model dengan skor C-index yang agak lebih rendah sudah digunakan dalam bidang onkologi dan spesialisasi lainnya untuk memandu keputusan pengobatan, menunjukkan bahwa kinerja SleepFM dapat bermakna secara klinis jika divalidasi dan diterapkan dengan hati-hati.
Studi ini juga memberikan gambaran tentang bagaimana AI dapat mengubah pengobatan preventif. Jika studi tidur rutin dapat mendeteksi peningkatan risiko kanker tertentu atau masalah kardiovaskular bertahun-tahun sebelumnya, dokter mungkin akan merekomendasikan pemeriksaan yang lebih sering, perubahan gaya hidup, atau pemantauan yang lebih ketat jauh sebelum penyakit muncul.
Untuk saat ini, SleepFM adalah alat penelitian, bukan sesuatu yang akan ditemui pasien pada kunjungan klinik tidur mereka berikutnya. Tim sedang berupaya untuk menyempurnakan prediksinya dan membuat model tersebut lebih mudah dipahami.
“Hal itu tidak dijelaskan kepada kami dalam bahasa Inggris,” tambah Zou. “Tetapi kami telah mengembangkan berbagai teknik interpretasi untuk mengetahui apa yang dilihat model tersebut ketika membuat prediksi penyakit tertentu.”
Teknik-teknik tersebut menunjukkan bahwa meskipun sinyal-sinyal tertentu lebih penting untuk penyakit tertentu — irama jantung untuk penyakit jantung, gelombang otak untuk gangguan mental — model tersebut bekerja paling baik ketika dapat membandingkan beberapa saluran sekaligus.
“Informasi paling banyak yang kami dapatkan untuk memprediksi penyakit adalah dengan membandingkan berbagai saluran yang berbeda,” tambah Mignot.
Dengan kata lain, masalah dapat muncul ketika berbagai bagian tubuh tidak sinkron selama tidur — misalnya, ketika aktivitas otak menunjukkan istirahat yang dalam tetapi jantung tampak sangat aktif.
Ke depannya, para peneliti berharap dapat meningkatkan SleepFM dengan menggabungkan data dari perangkat wearable konsumen, yang jauh kurang detail daripada polisomnografi tetapi jauh lebih mudah dikumpulkan dalam skala besar. Mereka juga melihat potensi untuk mengadaptasi model ini ke berbagai populasi dan sistem kesehatan, serta untuk mengeksplorasi bagaimana perubahan pola tidur seseorang dari waktu ke waktu berhubungan dengan risiko penyakit.
Proyek ini menyatukan para ilmuwan dari Stanford, Universitas Teknik Denmark, Rumah Sakit Universitas Kopenhagen – Rigshospitalet, BioSerenity, Universitas Kopenhagen, dan Sekolah Kedokteran Harvard.
Bagi mahasiswa dan peneliti pemula, SleepFM adalah studi kasus tentang bagaimana praktik klinis yang sudah lama ada dapat ditata ulang dengan AI modern. Tes yang dirancang untuk mendiagnosis gangguan tidur mungkin juga menyimpan petunjuk tentang kanker, penyakit jantung, dan kesehatan otak — jika kita belajar cara membaca sinyal-sinyal tersebut.
Sumber: Kedokteran Stanford