Mittwoch, 21. Januar 2026
KI-Modell erkennt 130 Krankheiten am Schlafmuster, darunter Herzinfarkt und Demenz – nach nur einer Nacht
che2001, 16:28h
Doris Maugg via Medscape
21. Januar 2026
Ein Vorteil künstlicher Intelligenz (KI) ist die Fähigkeit, in Sekundenschnelle entscheidende Muster in großen Datenmengen zu erkennen. Ein KI-Modell, das mit Polysomnographie (PSG)-Daten zum Schlaf und Gesundheitsdaten von Personen trainiert wurde, konnte nun anhand der Schlafmuster von nur einer Nacht mit einer Genauigkeit von bis zu 90% Erkrankungen wie Demenz, Herzinfarkt, Krebs, Schlaganfall und die Gesamtsterblichkeit vorhersagen. Die Ergebnisse wurden kürzlich in Nature Medicine publiziert .
Die Forschenden um Rahul Thapa, Doktorand an der Stanford University, Kalifornien, USA, nutzten die PSG-Daten von 65.000 Teilnehmenden mit insgesamt fast 600.000 Stunden Schlaf, um ihr KI-Modell „SleepFM“ zu trainieren.
PSG sei der „Goldstandard“, um Patienten im Schlaf zu überwachen, so die Autoren. Mit PSG werden Daten zur Gehirn- und Herzaktivität, Atemmuster sowie Bewegungen von Beinen und Augen im Schlaf aufwendig analysiert.
„Wir zeichnen eine erstaunliche Anzahl von Signalen auf, wenn wir den Schlaf untersuchen“, sagt Prof. Dr. Emmanuel Mignot, Schlafmediziner an der Stanford University und Co-Seniorautor der Studie, in einer Pressmitteilung. „Es handelt sich um eine Art allgemeine Physiologie, die wir 8 Stunden lang bei einer Person untersuchen... Das liefert sehr viele Daten.“
Durch die Verknüpfung der trainierten PSG-Daten mit Langzeit-Gesundheitsdaten von Patienten der Schlafklinik in Stanford konnte SleepFM mit einer Genauigkeit zwischen 80 bis 90 % das Eintreten einer Erkrankung wie Parkinson, Demenz, Herzinfarkt oder Prostatakrebs vorhersagen.
In dieser Studie sei zum ersten Mal eine derart große Datenmenge zum Schlaf ausgewertet worden, erklärt der Schlafmediziner. Den Forschenden sei es gelungen, die PSG-Daten zu Elektroenzephalographie, Elektrokardiographie, Elektromyographie, Pulsmessung und Atemluftstrom zu integrieren und eine genaue Vorhersage zu verschiedenen Erkrankungen abzuleiten.
Follow-up bis zu 25 Jahre
Das KI-Modell „SleepFM“ ist ein sogenanntes Foundation Modell, das in der Lage ist, sich anhand großer Datenmengen selbst zu trainieren und das Gelernte auf verschiedenste Bereiche anzuwenden. ChatGPT ist ebenfalls ein solches Foundation Modell.
Die Forschenden verwendeten zum Training von SleepFM 585.000 PSG-Stunden von Patienten, die in verschiedenen Schlafkliniken behandelt wurden. Die Schlafdaten wurden in Schritte von 5 Sekunden unterteilt, vergleichbar mit Wörtern, mit denen große Sprachmodelle trainiert werden.
Und noch eine Besonderheit bauten die Forschenden bei diesem KI-Training ein – das sogenannte „kontrastive Lernen mit Auslassungen“: Sie entfernten gezielt einzelne Daten-Aspekte, die die KI anhand des Gelernten rekonstruieren musste. Auf diese Weise konnten die Forschenden verschiedene Datenmodalitäten harmonisieren, was vergleichbar damit sei „die gleiche Sprache zu lernen“, erklären die Autoren.
Um mögliche Erkrankungen bei den Teilnehmenden vorherzusagen, wurden die PSG-Schlafdaten mit den Langzeit-Gesundheitsdaten der Teilnehmenden verknüpft.
Den Forschenden standen dazu die Gesundheitsdaten des Standford Sleep Medical Center von über 35.000 Personen in einem Alter zwischen 2 und 96 Jahren zur Verfügung, deren PSG-Daten in dem Zeitraum von 1999 bis 2024 aufgezeichnet worden waren. Das Follow-up betrug zum Teil 25 Jahre.
Vorhersage-Fähigkeit bis zu 90 Prozent
Bei der Auswertung von über 1.000 Krankheitskategorien konnten sie 130 Krankheiten anhand der Schlafdaten der Patienten mit hoher Genauigkeit vorhersagen.
Besonders aussagekräftig waren die Vorhersagen des Modells für Krebserkrankungen, Schwangerschaftskomplikationen, Kreislaufbeschwerden und psychische Störungen mit einem C-Index von über 0,8.
Mit Hilfe des C-Index (Konkordanzindex) wird die Vorhersageleistung eines Modells bewertet, insbesondere seine Fähigkeit, vorherzusagen, welche von 2 Personen in einer Gruppe ein Ereignis wie beispielsweise einen Herzinfarkt zuerst erleben wird. Ein C-Index von 0,8 entspricht einer 80 %igen Übereinstimmung der Vorhersage des Modells mit dem Zustand einer Person, der tatsächlich eingetretenen ist.
Mit den PSG-Daten aus nur einer Nacht konnte SleepFM 130 Erkrankungen mit einem C-Index von mindestens 0,75 vorhersagen (p-Wert < 0,01).
Darunter waren u.a.:
• Morbus Parkinson 0,89
• Demenz 0,85
• hypertensive Herzkrankheit 0,84
• Herzinfarkt 0,81
• Prostatakrebs 0,89
• Brustkrebs 0,87
• Tod 0,84
• chronische Nierenerkrankung 0,79
• Schlaganfall 0,78
• Vorhofflimmern 0,78
KI-Schlaf-Modelle für Monitoring und Risikostratifizierung nutzen
Modelle mit einem geringeren C-Index von 0,7 werden bereits erfolgreich in der Klinik eingesetzt, um das Therapieansprechen einer Krebserkrankung vorherzusagen. Dieses schlafbasierte KI-Modell könne zur Risikostratifizierung und Langzeit-Gesundheitsüberwachung von Patienten genutzt werden, schreiben die Autoren um Thapa.
Die Forschenden weisen darauf hin, dass ihre Studienkohorte einem Selektionsbias unterliegt, da es sich um Patienten einer Schlafklinik handelte, die sie aufgrund von Schlafauffälligkeiten aufgesucht hätten. Deshalb seien die Ergebnisse nicht repräsentativ und nicht auf die Allgemeinbevölkerung übertragbar.
„Die meisten Informationen für die Vorhersage von Krankheiten erhielten wir durch den Vergleich der verschiedenen Ebenen. Körperfunktionen, die nicht synchron waren – beispielsweise ein Gehirn, das schläft, aber ein Herz, das wach ist – schienen Probleme anzukündigen,“ erklärt Mignot. Sie planen weitere Gesundheitsdaten, die beispielsweise mit Smart Watches gesammelt werden, in das Modell zu integrieren
21. Januar 2026
Ein Vorteil künstlicher Intelligenz (KI) ist die Fähigkeit, in Sekundenschnelle entscheidende Muster in großen Datenmengen zu erkennen. Ein KI-Modell, das mit Polysomnographie (PSG)-Daten zum Schlaf und Gesundheitsdaten von Personen trainiert wurde, konnte nun anhand der Schlafmuster von nur einer Nacht mit einer Genauigkeit von bis zu 90% Erkrankungen wie Demenz, Herzinfarkt, Krebs, Schlaganfall und die Gesamtsterblichkeit vorhersagen. Die Ergebnisse wurden kürzlich in Nature Medicine publiziert .
Die Forschenden um Rahul Thapa, Doktorand an der Stanford University, Kalifornien, USA, nutzten die PSG-Daten von 65.000 Teilnehmenden mit insgesamt fast 600.000 Stunden Schlaf, um ihr KI-Modell „SleepFM“ zu trainieren.
PSG sei der „Goldstandard“, um Patienten im Schlaf zu überwachen, so die Autoren. Mit PSG werden Daten zur Gehirn- und Herzaktivität, Atemmuster sowie Bewegungen von Beinen und Augen im Schlaf aufwendig analysiert.
„Wir zeichnen eine erstaunliche Anzahl von Signalen auf, wenn wir den Schlaf untersuchen“, sagt Prof. Dr. Emmanuel Mignot, Schlafmediziner an der Stanford University und Co-Seniorautor der Studie, in einer Pressmitteilung. „Es handelt sich um eine Art allgemeine Physiologie, die wir 8 Stunden lang bei einer Person untersuchen... Das liefert sehr viele Daten.“
Durch die Verknüpfung der trainierten PSG-Daten mit Langzeit-Gesundheitsdaten von Patienten der Schlafklinik in Stanford konnte SleepFM mit einer Genauigkeit zwischen 80 bis 90 % das Eintreten einer Erkrankung wie Parkinson, Demenz, Herzinfarkt oder Prostatakrebs vorhersagen.
In dieser Studie sei zum ersten Mal eine derart große Datenmenge zum Schlaf ausgewertet worden, erklärt der Schlafmediziner. Den Forschenden sei es gelungen, die PSG-Daten zu Elektroenzephalographie, Elektrokardiographie, Elektromyographie, Pulsmessung und Atemluftstrom zu integrieren und eine genaue Vorhersage zu verschiedenen Erkrankungen abzuleiten.
Follow-up bis zu 25 Jahre
Das KI-Modell „SleepFM“ ist ein sogenanntes Foundation Modell, das in der Lage ist, sich anhand großer Datenmengen selbst zu trainieren und das Gelernte auf verschiedenste Bereiche anzuwenden. ChatGPT ist ebenfalls ein solches Foundation Modell.
Die Forschenden verwendeten zum Training von SleepFM 585.000 PSG-Stunden von Patienten, die in verschiedenen Schlafkliniken behandelt wurden. Die Schlafdaten wurden in Schritte von 5 Sekunden unterteilt, vergleichbar mit Wörtern, mit denen große Sprachmodelle trainiert werden.
Und noch eine Besonderheit bauten die Forschenden bei diesem KI-Training ein – das sogenannte „kontrastive Lernen mit Auslassungen“: Sie entfernten gezielt einzelne Daten-Aspekte, die die KI anhand des Gelernten rekonstruieren musste. Auf diese Weise konnten die Forschenden verschiedene Datenmodalitäten harmonisieren, was vergleichbar damit sei „die gleiche Sprache zu lernen“, erklären die Autoren.
Um mögliche Erkrankungen bei den Teilnehmenden vorherzusagen, wurden die PSG-Schlafdaten mit den Langzeit-Gesundheitsdaten der Teilnehmenden verknüpft.
Den Forschenden standen dazu die Gesundheitsdaten des Standford Sleep Medical Center von über 35.000 Personen in einem Alter zwischen 2 und 96 Jahren zur Verfügung, deren PSG-Daten in dem Zeitraum von 1999 bis 2024 aufgezeichnet worden waren. Das Follow-up betrug zum Teil 25 Jahre.
Vorhersage-Fähigkeit bis zu 90 Prozent
Bei der Auswertung von über 1.000 Krankheitskategorien konnten sie 130 Krankheiten anhand der Schlafdaten der Patienten mit hoher Genauigkeit vorhersagen.
Besonders aussagekräftig waren die Vorhersagen des Modells für Krebserkrankungen, Schwangerschaftskomplikationen, Kreislaufbeschwerden und psychische Störungen mit einem C-Index von über 0,8.
Mit Hilfe des C-Index (Konkordanzindex) wird die Vorhersageleistung eines Modells bewertet, insbesondere seine Fähigkeit, vorherzusagen, welche von 2 Personen in einer Gruppe ein Ereignis wie beispielsweise einen Herzinfarkt zuerst erleben wird. Ein C-Index von 0,8 entspricht einer 80 %igen Übereinstimmung der Vorhersage des Modells mit dem Zustand einer Person, der tatsächlich eingetretenen ist.
Mit den PSG-Daten aus nur einer Nacht konnte SleepFM 130 Erkrankungen mit einem C-Index von mindestens 0,75 vorhersagen (p-Wert < 0,01).
Darunter waren u.a.:
• Morbus Parkinson 0,89
• Demenz 0,85
• hypertensive Herzkrankheit 0,84
• Herzinfarkt 0,81
• Prostatakrebs 0,89
• Brustkrebs 0,87
• Tod 0,84
• chronische Nierenerkrankung 0,79
• Schlaganfall 0,78
• Vorhofflimmern 0,78
KI-Schlaf-Modelle für Monitoring und Risikostratifizierung nutzen
Modelle mit einem geringeren C-Index von 0,7 werden bereits erfolgreich in der Klinik eingesetzt, um das Therapieansprechen einer Krebserkrankung vorherzusagen. Dieses schlafbasierte KI-Modell könne zur Risikostratifizierung und Langzeit-Gesundheitsüberwachung von Patienten genutzt werden, schreiben die Autoren um Thapa.
Die Forschenden weisen darauf hin, dass ihre Studienkohorte einem Selektionsbias unterliegt, da es sich um Patienten einer Schlafklinik handelte, die sie aufgrund von Schlafauffälligkeiten aufgesucht hätten. Deshalb seien die Ergebnisse nicht repräsentativ und nicht auf die Allgemeinbevölkerung übertragbar.
„Die meisten Informationen für die Vorhersage von Krankheiten erhielten wir durch den Vergleich der verschiedenen Ebenen. Körperfunktionen, die nicht synchron waren – beispielsweise ein Gehirn, das schläft, aber ein Herz, das wach ist – schienen Probleme anzukündigen,“ erklärt Mignot. Sie planen weitere Gesundheitsdaten, die beispielsweise mit Smart Watches gesammelt werden, in das Modell zu integrieren
... comment
