一项发表在《自然-通讯》（Nature Communications）杂志上的新研究揭示，一个创新性人工智能（AI）模型能够利用常规睡眠研究中收集的信息，识别患者的长期健康风险。该模型由一个多学科研究团队开发，成功揭示了与心脏病、认知衰退和死亡等风险相关的隐藏睡眠模式。

研究结果还表明，常规医疗测试可能包含比当前临床实践所提取的更多生理信息。在这种情况下，AI在标准过夜睡眠研究数据中识别出了有意义的信号，而这些信号是传统汇总测量方法无法捕捉的。

该AI模型分析了来自克利夫兰诊所STARLIT（睡眠信号、测试和报告与患者特征关联）注册库的数据，并结合了一个全国性队列的数据，识别出五种截然不同的患者风险亚型，这些亚型预示着截然不同的健康轨迹。被归类为最高风险组的患者，其五年死亡风险是最低风险组的两倍，这种预后差异是传统睡眠呼吸暂停诊断方法无法察觉的。

• 死亡风险双重分层：AI模型将患者分为五个不同的风险类别，结果显示，最高风险层的个体与最低风险层相比，五年死亡风险增加了100%。
• 优于传统AHI：这种预后风险分层在传统的呼吸暂停低通气指数（AHI）失效的情况下取得了成功，它捕捉到了标准指标遗漏的大脑、肺部、肌肉和心脏信号中潜在的生理特征。AHI将一整夜复杂的生理记录压缩成一个单一的数字，衡量每小时的呼吸暂停次数，这种过度简化丢弃了心率变异性、脑电波结构、肌张力以及细微的血氧饱和度下降模式等详细的连续数据，而这些数据直接反映了心血管、神经和代谢的压力。
• 性别平衡的预测准确性：传统的AHI指标在男性群体中表现更好，而新的AI基础模型在男性和女性中都能以同样高的准确性预测心血管、神经和死亡结局。
• 解锁未充分利用的临床数据：研究表明，美国每年进行的100万至400万次常规多导睡眠图（in-lab sleep studies）中包含了大量未被利用的预后数据，这些数据能够推动早期预防性医疗。

克利夫兰诊所医学教授、该研究的资深临床作者Reena Mehra医学博士表示：“几十年来，我们一直将过夜睡眠研究浓缩为少数几个汇总指标。AI为我们提供了超越这些汇总指标、从睡眠生理学的全部丰富性中学习的机会。”

该模型由一个由睡眠医生、AI研究人员、数据科学家和神经科学家组成的合作团队开发，他们通过“探索加速器”（Discovery Accelerator）项目汇聚在一起。该项目是克利夫兰诊所与IBM之间为期十年的联合研究伙伴关系，旨在通过AI和量子计算加速生命科学领域的发现步伐。

该研究的通讯作者、耶鲁大学医学院神经外科兼职教授Jeffrey Rogers博士指出：“现代AI让我们能够从一整夜的睡眠生理学中恢复更多信息，揭示具有截然不同长期健康风险的临床上有意义的患者群体。”他补充说：“这些发现表明，常规医疗测试可能包含比当前临床实践所提取的更多生理信息。”

该模型还有助于研究人员更好地理解睡眠如何影响健康结局。通过超越传统测量方法，这种AI方法能够检测人眼无法察觉的潜在生理特征，并提取预后生物标志物，从而帮助对心血管和神经系统疾病以及生存风险进行分层，为更早期、更个性化的护理打开了大门。

克利夫兰诊所睡眠研究员Matheus Lima Diniz Araujo博士说：“睡眠是健康和福祉的基础。近7000万美国人患有慢性睡眠和觉醒障碍，影响着日常功能和整体健康。这项发现为睡眠医学提供了一种更个性化的方法，通过潜在地扩展常规睡眠测试的价值，并强化了睡眠在慢性疾病中的关键作用。”

克利夫兰诊所“探索加速器”的生物医学工程教授兼首席科学家Carl Saab博士表示：“下一步是在不同人群中验证这些发现，并扩大医学和技术专家、行业合作伙伴以及专业社会利益相关者之间的合作。”

该研究的主要作者Erhan Bilal博士总结道：“睡眠日益被认为是健康的关键组成部分，然而在睡眠期间捕获的生理信息在很大程度上仍未被充分利用。因为每个人都需要睡眠，所以睡眠研究为人类健康提供了一个非凡的窗口，其作用远不止于诊断睡眠障碍。我们的工作展示了基础模型如何开始解锁这些复杂信号的丰富性。而这仅仅是个开始。”