Yeni yapay zeka tek gecelik uykudan hastalık riskini nasıl ortaya çıkarıyor?

Stanford Üniversitesi Tıp Fakültesi'nde yürütülen son araştırma, uyku analizi ve yapay zeka teknolojilerinin birleşimiyle sağlık alanında çığır açıcı bir gelişmeyi gözler önüne seriyor. SleepFM adı verilen yeni yapay zeka sistemi, yalnızca bir gece boyunca kaydedilen uyku verilerini inceleyerek, bireylerin gelecekte karşılaşabileceği 100'den fazla farklı hastalığın riskini yüksek doğrulukla tahmin edebiliyor. Bu yenilikçi yaklaşım, uyku sırasında kaydedilen fizyolojik sinyallerin, yıllar sonra ortaya çıkabilecek ciddi sağlık sorunlarının erken işaretlerini taşıyabileceğini gösteriyor.

Uyku analizi ile hastalık riskinin öngörülmesi

SleepFM sistemi, yaklaşık 65.000 kişinin 600.000 saatten fazla süren uyku kayıtlarıyla eğitildi. Bu kayıtlar, polisomnografi adı verilen ve uyku sırasında beyin dalgaları, kalp ritmi, solunum, göz hareketleri ve kas aktivitesi gibi çok sayıda biyolojik sinyalin anlık olarak izlenmesini sağlayan kapsamlı bir test yöntemiyle toplandı. Polisomnografi, bugüne kadar uyku bozukluklarının teşhisinde en güvenilir yöntem olarak kabul ediliyordu. Ancak Stanford ekibi, bu testlerin yalnızca hastalık teşhisiyle sınırlı kalmayıp, vücudun genel fizyolojik durumuna dair çok daha zengin bir veri sunduğunu fark etti. SleepFM'in geliştirilmesiyle birlikte, bu büyük ve karmaşık veri setlerinin tamamı ilk kez yapay zeka tarafından analiz edilerek, hastalık risklerinin öngörülmesinde kullanılabilir hale geldi.

Uyku analizi alanında bugüne kadar yapılan çalışmalar, genellikle verinin küçük bir bölümüne odaklanıyordu. Ancak SleepFM, tüm sinyal akışlarını bir arada değerlendirerek, uyku sırasında vücutta meydana gelen değişimlerin hastalık riskleriyle nasıl ilişkili olduğunu ortaya koydu. Araştırmanın başında yer alan Profesör Emmanual Mignot, uyku laboratuvarlarında geceler boyunca toplanan verilerin, insan fizyolojisinin kesintisiz bir kaydını sunduğunu ve bu verilerin büyük kısmının geleneksel yöntemlerle analiz edilemediğini vurguladı. SleepFM, bu eksikliği gidererek, uyku analizi ve yapay zeka teknolojisinin birleşimiyle sağlık alanında yeni bir dönemin kapılarını araladı.

Yapay zekanın uyku verilerinden öğrenme süreci

SleepFM'in eğitimi için kullanılan veri setleri, farklı uyku kliniklerinden toplanan 585.000 saatlik polisomnografi kayıtlarını kapsıyor. Her bir kayıt, beş saniyelik kısa parçalara bölünerek, yapay zekanın bu küçük dilimleri analiz etmesi sağlandı. Bu yöntem, büyük dil modellerinin metin üzerinde çalışmasına benzer şekilde, SleepFM'in de "uykunun dilini" öğrenmesine olanak tanıdı. Model, beyin dalgaları, kalp sinyalleri, kas hareketleri, nabız ve solunum akışı gibi çeşitli biyolojik verileri eş zamanlı olarak değerlendirerek, bu sinyaller arasındaki karmaşık ilişkileri tespit etti.

Stanford ekibi, yapay zekanın bu çok boyutlu verileri anlamlandırabilmesi için "birini bırakma" karşıt öğrenme adını verdikleri yeni bir eğitim tekniği geliştirdi. Bu yöntemde, belirli bir sinyal türü geçici olarak modelden çıkarılıyor ve yapay zekadan, kalan verilerle eksik olan sinyali yeniden oluşturması isteniyor. Bu sayede SleepFM, farklı veri türleri arasında bağlantı kurmayı ve tüm sinyalleri ortak bir dilde değerlendirmeyi öğrendi. Araştırmanın kıdemli yazarlarından James Zou, yapay zekanın patoloji ve kardiyoloji gibi alanlarda yaygın olarak kullanıldığını, ancak uyku analizi konusunda bugüne kadar yeterince çalışma yapılmadığını belirtti. SleepFM, bu boşluğu doldurarak, uyku analizi ve yapay zeka teknolojisinin sağlık alanındaki potansiyelini gözler önüne serdi.

Uyku verilerinden hastalık tahmini: sonuçlar ve doğruluk oranları

SleepFM'in etkinliğini test etmek için, model önce uyku evrelerini tanımlama ve uyku apnesi şiddetini değerlendirme gibi klasik görevlerde denendi. Elde edilen sonuçlar, mevcut sistemlerle kıyaslandığında ya aynı düzeyde ya da daha yüksek doğruluk oranlarına ulaşıldığını gösterdi. Daha sonra araştırmacılar, SleepFM'in yalnızca uyku verilerine dayanarak, bireylerin gelecekte karşılaşabileceği hastalıkları tahmin etme kapasitesini inceledi. Bunun için, uyku kayıtları ile aynı kişilere ait uzun vadeli tıbbi geçmişler karşılaştırıldı. Stanford Uyku Tıbbı Merkezi'nin 1999-2024 yılları arasında kaydettiği yaklaşık 35.000 hastanın verileri, elektronik sağlık kayıtlarıyla eşleştirildi ve bazı hastalar 25 yıl boyunca takip edildi.

Bu geniş veri seti sayesinde, SleepFM 1.000'den fazla hastalık kategorisini analiz etti ve yalnızca uyku verileriyle makul bir doğrulukla tahmin edilebilecek 130 hastalık belirledi. En yüksek doğruluk oranları, kanser türleri, gebelik komplikasyonları, dolaşım sistemi hastalıkları ve ruh sağlığı bozukluklarında gözlendi. Modelin tahmin gücü, C-indeksi adı verilen ve modelin risk sıralamasındaki başarısını ölçen bir metrikle değerlendirildi. SleepFM, Parkinson hastalığı için 0.89, demans için 0.85, hipertansif kalp hastalığı için 0.84, kalp krizi için 0.81, prostat kanseri için 0.89, meme kanseri için 0.87 ve ölüm için 0.84'lük C-indeksi değerlerine ulaştı. Bu oranlar, modelin tahminlerinin gerçekte yaşanan olaylarla büyük ölçüde uyumlu olduğunu ortaya koyuyor.