Stanford เปิดตัว AI ตรวจจับโรคร้ายจากการนอนคืนเดียว เปลี่ยนการนอนหลับเป็นข้อมูลพยากรณ์สุขภาพ

การนอนหลับที่แย่อาจทำให้ร่างกายอ่อนล้าในเช้าวันถัดมา แต่ในอนาคตอันใกล้ มันอาจกลายเป็นสัญญาณเตือนล่วงหน้าถึงโรคร้ายที่กำลังก่อตัวขึ้นในร่างกายหลายปีข้างหน้า โดยทีมนักวิจัยจาก Stanford Medicine ได้พัฒนาโมเดล SleepFM ซึ่งสามารถวิเคราะห์ข้อมูลทางกายภาพจากการนอนหลับเพียงคืนเดียว เพื่อพยากรณ์ความเสี่ยงในการเกิดโรคมากกว่า 100 ชนิด ก่อนโรคจะแสดงอาการจริงหลายปี

SleepFM ถูกฝึกด้วยข้อมูลการตรวจการนอนหลับมาตรฐานสูง หรือ Polysomnography (PSG) กว่า 600,000 ชั่วโมง จากผู้ป่วย 65,000 ราย ซึ่งบันทึกสัญญาณสำคัญของร่างกาย ไม่ว่าจะเป็น คลื่นสมอง (EEG) คลื่นไฟฟ้าหัวใจ (ECG) การหายใจ และการเคลื่อนไหวของร่างกาย

Emmanuel Mignot ศาสตราจารย์ด้านเวชศาสตร์การนอนจาก Stanford ระบุว่า “ทุกครั้งที่เราศึกษาการนอนหลับ เราเก็บข้อมูลจากร่างกายได้มหาศาล ตลอด 8 ชั่วโมงที่ผู้เข้าร่วมการทดลองนอนอยู่เฉย ๆ เรากำลังดูการทำงานของร่างกายแทบทุกระบบพร้อมกัน ข้อมูลที่ได้จึงละเอียดและแน่นมาก”

ที่ผ่านมา ข้อมูลเหล่านี้ถูกนำมาใช้เพียงบางส่วนในการแพทย์ด้านการนอนหลับเท่านั้น แต่ด้วยความก้าวหน้าของ AI วันนี้ นักวิจัยเริ่มสามารถนำข้อมูลจำนวนมหาศาลเหล่านี้มาวิเคราะห์และทำความเข้าใจได้มากขึ้น งานวิจัยชิ้นนี้จึงเป็นครั้งแรกที่มีการใช้ AI วิเคราะห์ข้อมูลการนอนหลับในระดับใหญ่เช่นนี้

AI ที่เรียนรู้ ‘ภาษาของการนอน’

ทีมวิจัยออกแบบ SleepFM ให้เป็น Foundation Model ในแนวคิดเดียวกับ ChatGPT ที่เรียนรู้จากข้อมูลข้อความจำนวนมหาศาล และนำความรู้ที่ได้ไปประยุกต์ใช้กับงานได้หลากหลายรูปแบบ แต่แทนที่จะเรียนรู้จากภาษาเขียน โมเดลนี้เรียนรู้จาก ‘ภาษาของการนอนหลับ’

ข้อมูลจากการตรวจ Polysomnography ถูกแบ่งออกเป็นช่วงละ 5 วินาทีซึ่งทำหน้าที่คล้ายกับ ‘คำศัพท์’ ที่โมเดลภาษาขนาดใหญ่ใช้ในการเรียนรู้จากข้อความ ช่วยให้ AI สามารถเรียนรู้รูปแบบและความสัมพันธ์ของสัญญาณการนอนหลับจากหลายระบบของร่างกายได้อย่างเป็นระบบ 

รวมถึงใช้เทคนิค Leave-one-out Contrastive Learning โดยจะซ่อนข้อมูลบางส่วนไปหนึ่งชุด เพื่อฝึกให้ AI คาดเดาสัญญาณที่หายไปจากข้อมูลส่วนอื่น กระบวนการนี้ช่วยให้โมเดลเข้าใจความสัมพันธ์เชิงลึกของการทำงานร่วมกันระหว่างอวัยวะต่าง ๆ ของร่างกาย

James Zou รองศาสตราจารย์ด้าน Data Science อธิบายว่า ความแม่นยำของโมเดลไม่ได้มาจากการดูข้อมูลของอวัยวะใดอวัยวะหนึ่งเพียงอย่างเดียว แต่เกิดจากการนำสัญญาณจากทุกระบบมาวิเคราะห์ร่วมกัน โดยเฉพาะเมื่อพบ ‘การทำงานไม่สอดประสานกันของอวัยวะ’ เช่น สมองอยู่ในภาวะหลับลึก แต่หัวใจยังคงแสดงรูปแบบของการตื่นตัว ซึ่งเป็นสัญญาณบ่งชี้ความเสี่ยงด้านสุขภาพในระยะยาวได้อย่างแม่นยำ

ความแม่นยำในการพยากรณ์โรค

เมื่อนำ SleepFM ไปทดสอบโดยเปรียบเทียบกับเวชระเบียนย้อนหลังยาวนานกว่า 50 ปี ของ Stanford Sleep Medicine Center ผลปรากฏว่า SleepFM วิเคราะห์ข้อมูลโรคมากกว่า 1,000 กลุ่มโรค ในเวชระเบียน และพบว่าสามารถพยากรณ์โรค 130 กลุ่มโรคได้ด้วยความแม่นยำในระดับที่ใช้งานได้จริง เช่น

• โรคพาร์กินสัน (ความแม่นยำ 89%)
• มะเร็งต่อมลูกหมาก (ความแม่นยำ 89%)
• ภาวะสมองเสื่อม (ความแม่นยำ 85%)
• โรคหัวใจล้มเหลว (ความแม่นยำ 84%)
• ความเสี่ยงต่อการเสียชีวิต (ความแม่นยำ 84%)

ทีมวิจัยระบุว่า กำลังพัฒนา SleepFM ต่อเนื่องเพื่อเพิ่มความแม่นยำในการพยากรณ์โรคในอนาคต โดยอาจผสานข้อมูลจากอุปกรณ์สวมใส่ (Wearables) เข้ามาเพิ่มเติม 

นักวิจัยมองว่า ความสำเร็จของ SleepFM อาจเปลี่ยนบทบาทของการตรวจการนอนหลับ จากเครื่องมือวินิจฉัยเฉพาะโรค ไปปสู่การตรวจสุขภาพเชิงพยากรณ์ ที่ช่วยเฝ้าระวังโรคร้ายได้ก่อนจะแสดงอาการ และอาจกลายเป็นหนึ่งในเครื่องมือสำคัญของการดูแลสุขภาพเชิงป้องกันในอนาคต

อ้างอิง: Stanford Medicine