一種由史丹佛大學研究人員及其合作者開發的獨特 AI 模型，未來或許能夠在你甚至不需要清醒的情況下，預測你罹患 100 多種健康狀況的風險。根據一篇近期發表的論文所述，名為 SleepFM 的 AI 模型可分析一整套全面的生理記錄，僅基於一晚睡眠的資料，就能預測個體未來發生痴呆、心力衰竭以及全因死亡的風險。SleepFM 是一種基礎模型（foundation model），類似於 ChatGPT。它在一個龐大的資料集上訓練而成：來自 65,000 名參與者、近 600,000 小時的睡眠資料。正如 ChatGPT 從詞語與文字中學習，SleepFM 則從各類睡眠門診採集的記錄中，以5 秒為單位的睡眠資料片段進行學習。科學家雜誌AI繪圖 GPT5.2睡眠臨床醫生通過一種廣泛使用但相對不適的技術——多導睡眠監測（polysomnography，PSG）——收集這些資料。PSG 被稱為睡眠研究的“金標準”，利用多種感測器在無意識狀態下追蹤腦、心臟與呼吸系統的活動，以及腿部與眼球運動等訊號。“我們在研究睡眠時會記錄數量驚人的訊號，”史丹佛大學睡眠醫學教授、論文共同資深作者 Emmanuel Mignot 表示。PSG 使用各種感測器來追蹤睡眠期間的活動。(Thapa 等人，《自然醫學》，2026)研究人員通過其新開發的學習技術對 SleepFM 進行測試，該技術稱為留一模態對比學習（leave-one-out contrastive learning）：在訓練過程中，將某一模態的資料（例如脈搏讀數或呼吸氣流）排除，迫使 SleepFM 基於其他生物資料流來外推缺失資訊。為補上關鍵拼圖，研究團隊將 PSG 資料與數以萬計的患者長期健康結局報告進行配對，覆蓋不同年齡層，並納入最長 25 年的隨訪健康記錄。在分析健康記錄中 1,041 個疾病類別後，SleepFM 僅憑患者的睡眠資料就能以合理的精準度預測其中 130 類疾病。SleepFM 在預測癌症、妊娠併發症、循環系統疾病以及精神障礙方面尤其出色，“其一致性指數（C-index）超過 0.8”。史丹佛大學生物醫學資料科學家、論文共同資深作者 James Zou 解釋說：“C-index 為 0.8 意味著在 80% 的情況下，模型的預測與實際發生的結果保持一致（concordant）。”SleepFM 在 **AUROC（受試者工作特徵曲線下面積）**這一分類評估指標上也表現良好。該指標用於評估 SleepFM 在一個（6 年）預測期內區分“發生某健康事件”和“不發生該事件”患者的能力。總體而言，SleepFM 優於現有預測模型，並且在預測帕金森病、心肌梗死、卒中、慢性腎病、攝護腺癌、乳腺癌以及全因死亡方面表現尤為突出，進一步印證了睡眠不佳與不良健康結局之間的關聯。這也可能提示：某些疾病在早期就已通過影響睡眠而顯露端倪。儘管部分資料類型與睡眠分期對預測的貢獻更高，但最好的結果主要歸功於生理系統之間的相互關聯與對比。具體而言，最可靠的疾病預測訊號往往來自那些不同步（out of sync）的生理功能：“例如，大腦看起來在睡覺，但心臟看起來仍然清醒——這種情況似乎預示著麻煩，”Mignot 解釋道。研究人員也指出了若干侷限性，例如過去幾十年臨床實踐與患者人群的變化。此外，資料來自被轉診進行睡眠檢查的患者，因此 PSG 資料對普通人群的代表性不足。儘管 AI 在藝術等領域引發爭議，但其在醫療健康領域的潛力提醒我們：AI 智能體具有挽救生命、並在科學上令人驚嘆的能力。舉例而言，未來可將 SleepFM 與可穿戴睡眠裝置結合，實現即時健康監測。因此，正如大語言模型（LLM）通過關聯詞語與文字來學習我們的語言，“SleepFM 本質上是在學習睡眠的語言，”Zou 表示。該研究發表在《Nature Medicine》（《自然·醫學》）。(科學家雜誌)
