Сон раскрывает свои тайны

Ночь, традиционно считающаяся паузой в работе организма, оказалась источником ценных диагностических данных. Разработанная в Стэнфорде модель SleepFM демонстрирует, что комплексные физиологические сигналы, регистрируемые во время полисомнографии, содержат информацию для прогнозирования рисков более чем 130 различных состояний.

В основе подхода лежит идея восприятия многочисленных параметров сна (от мозговых ритмов до кардиореспираторных сигналов) как единого языка. Модель, обученная на обширном архиве данных, учится распознавать скрытые взаимосвязи между этими потоками. Технической инновацией стала методика, позволяющая системе восстанавливать недостающий фрагмент информации на основе остальных, что ведет к глубокому пониманию целостной физиологической картины.

Наиболее впечатляющие результаты связаны с прогнозированием отдаленных событий. Сопоставив исторические полисомнограммы с многолетними электронными медицинскими картами, исследователи выявили высокую предсказательную способность модели в отношении целого спектра патологий. Точность прогноза, оцениваемая через индекс согласованности, достигла убедительных значений для ряда серьезных состояний, включая нейродегенеративные, сердечно-сосудистые заболевания и онкологию.

Интересно, что ключ к точному прогнозу лежит не в изолированном анализе одного сигнала, а в интерпретации их комбинации. Диссонанс между, казалось бы, синхронизированными системами (например, картиной сна мозга на фоне атипичной активности сердца) часто несет наиболее тревожную информацию. Это открывает путь к принципиально новому пониманию предикторов здоровья.

Таким образом, полисомнография перестает быть лишь инструментом диагностики нарушений сна. Благодаря возможностям искусственного интеллекта она становится мощным окном в будущее пациента, позволяя врачу увидеть ранние, еще неочевидные признаки грядущих вызовов. Это трансформирует стратегию превентивной медицины, смещая акцент на максимально раннее, досимптоматическое вмешательство.

Источник: A multimodal sleep foundation model for disease prediction, Nature Medicine (2026) | https://doi.org/10.1038/s41591-025-04133-4