מודל AI מנבא סיכונים בריאותיים מנתוני בדיקות שינה

בדיקת שינה שגרתית, זו שעוברים בלילה כשנוחרים או מתעוררים הרבה, טומנת בחובה הרבה יותר ממה שחושבים. מחקר חדש ומשמעותי, שפורסם ב-Nature Communications, חושף איך מודל AI מסוגל לחלץ מתוך הנתונים הללו סימנים נסתרים שמנבאים סיכונים בריאותיים ארוכי טווח — ואף לזהות קבוצות חולים בסיכון גבוה שמדד ה-AHI הרגיל מפספס לחלוטין.

אז מה בעצם קרה כאן?

צוות רב-תחומי של רופאי שינה, חוקרי AI ומדעני נתונים, מ-Cleveland Clinic ומ-IBM, פיתח מודל ״foundation״ (מודל בסיס). מדובר בסוג של מודל AI רחב, מאומן על כמויות עתק של נתונים, שמסוגל ללמוד דפוסים מורכבים וליישם אותם על משימות חדשות. במקרה הזה, האימון נעשה על בסיס נתונים עצום: 10,000 בדיקות פוליסומנוגרפיה (הבדיקה המלאה של שינה) מ-STARLIT, מאגר הנתונים של Cleveland Clinic, שמקושר לתיקים הרפואיים האלקטרוניים של החולים.

המודל, בניגוד לניתוח הידני הרגיל, מנתח את כל האותות מבדיקה של לילה שלם — מפעילות מוחית ולבבית, דרך תנועות שרירים ועיניים, ועד נשימה וחמצון. המטרה: למצוא דפוסים חבויים שמקושרים לגורמי סיכון עתידיים.

יותר מסיכון כפול

התוצאות מרשימות. המודל הצליח לחלק את החולים לחמש קבוצות סיכון מובחנות. החולים בקבוצת הסיכון הגבוה ביותר היו בסיכון לתמותה כפול ויותר בחמש השנים הבאות, בהשוואה לאלו בקבוצת הסיכון הנמוך ביותר. וזה לא הכול: המודל הצליח לנבא גם אירועים קרדיו-וסקולריים חמורים, הפרעות קצב לב (פרפור פרוזדורים), ירידה קוגניטיבית ואפילו אפילפסיה.

וההשוואה למדד ה-AHI (מדד דום נשימה בשינה) הרגיל, שהוא הלחם והחמאה של התחום, היא מה שמכה גלים: במחקר הנוכחי, ה-AHI לא הצליח לנבא תמותה כלל. ״למשך עשורים עשינו סיכום של לילה שלם למדד בודד. AI נותן לנו את ההזדמנות ללמוד מכל העושר הפיזיולוגי של השינה״, אמרה ד״ר Reena Mehra, פרופסור לרפואה באוניברסיטת וושינגטון.

למה זה רלוונטי לנו?

מיליוני ישראלים עושים בדיקות שינה בשנה. נכון להיום, הרופאים מתמקדים בעיקר ב-AHI כדי לאבחן דום נשימה ולקבוע את חומרתו. המחקר הזה מציע תפיסה אחרת לגמרי: הבדיקה השגרתית הזו יכולה, בעזרת AI, להפוך לכלי סריקה מתקדם לבחינת בריאות הלב והמוח ולזיהוי גורמי סיכון לתמותה, הרבה מעבר לאבחון של דום נשימה.

״שינה היא יסוד לבריאות״, אמר Matheus Lima Diniz Araujo, חוקר שינה ב-Cleveland Clinic. ״הגילוי הזה מציע גישה אישית יותר לרפואת שינה, על ידי הרחבת הערך של בדיקות שגרתיות״. החוקרים מדגישים כי מודלים כאלה יכולים לעזור להבין טוב יותר כיצד שינה משפיעה על הבריאות, ולאפשר טיפול מוקדם ומותאם אישית יותר.

שלב הבא: ניסויים פרוספקטיביים

חשוב להדגיש: מדובר במחקר תצפיתי, שמבוסס על ניתוח נתונים קיימים. כדי שהמודל הזה יגיע למרפאות, יש צורך באימות קפדני שלו בניסויים קליניים פרוספקטיביים, מגוונים וגדולים. ״הצעד הבא הוא לאמת את הממצאים באוכלוסיות מגוונות ולהרחיב שיתופי פעולה״, ציין Carl Saab, מדען ראשי של שותפות ה-Discovery Accelerator בין Cleveland Clinic ל-IBM. במחקר הנוכחי, החוקרים כבר הצליחו לשחזר חלק מהממצאים בקבוצת חולים עצמאית (מתוך מחקר בריאות השינה, SHHS), מה שמחזק את המגמה.

המגבלות העיקריות: המודל אומן בחלקו על יעדים מפוקחים (כמו שלבי שינה ואירועי נשימה), מה שעשוי להשפיע על הדפוסים שהוא לומד. החוקרים קוראים למחקר עתידי עם מטרות ״Self-supervised״ (למידה עצמית) כדי לחקור את הפוטנציאל המלא. בינתיים, זו הצצה מרתקת לאופן שבו בדיקות יומיומיות, שבדרך כלל נשכחות, הופכות למכרה זהב של נתונים בריאותיים, רק אם יודעים איך לחפור.