Kötü bir gece uykusu, ertesi gün yorgun hissetmeye yol açabiliyor; aynı zamanda yıllar içinde gelişebilecek hastalıklar hakkında da önemli ipuçları barındırıyor. Stanford Medicine araştırmacıları ve meslektaşları tarafından geliştirilen yeni bir yapay zeka (YZ) modeli, yalnızca tek bir gecelik uyku sırasında toplanan fizyolojik verilerden yola çıkarak bir kişinin 100’den fazla sağlık durumuna yakalanma riskini öngörebiliyor.
SleepFM adı verilen model, 65.000 katılımcıdan elde edilen yaklaşık 600.000 saatlik uyku verisiyle eğitildi. Kullanılan veriler beyin aktivitesi, kalp ritmi, solunum sinyallerini ile bacak ve göz hareketlerini ölçen ve uyku çalışmalarında altın standart kabul edilen polisomnografi kayıtlarından oluşuyor.
Polisomnografi, hastaların laboratuvar ortamında gece boyunca izlendiği kapsamlı uyku incelemelerinde temel yöntem olarak kullanılıyor. Araştırmacılar, aynı zamanda yöntemin şimdiye kadar yeterince değerlendirilmemiş, son derece zengin bir fizyolojik veri kaynağı sunduğunu fark etti.
Nature Medicine dergisinde 6 Ocak’ta yayımlanan çalışmanın kıdemli yazarlarından Emmanuel Mignot, “Uykuyu incelediğimizde inanılmaz sayıda sinyal kaydediyoruz.” diyerek sekiz saat boyunca sensörlere bağlı kalan bir kişinin genel fizyolojisinin son derece ayrıntılı biçimde izlenebildiğini vurguluyor.
Mevcut uyku araştırmalarında ve klinik uygulamalarda, söz konusu verilerin yalnızca küçük bir bölümü kullanılıyor. YZ alanındaki ilerlemeler sayesinde artık çok daha geniş bir veri kümesini anlamlandırmak mümkün hale geliyor. Bu çalışma, büyük ölçekli uyku verilerini düzeyde analiz etmek için YZ kullanan ilk araştırma olma özelliğini taşıyor.
Uykunun Dilini Öğrenmek
Araştırma ekibi, büyük miktarda veriyle kendi kendine öğrenebilen temel bir YZ modeli inşa etti. ChatGPT gibi büyük dil modelleri, yaklaşımın metin alanındaki bilinen örnekleri arasında yer alıyor.
SleepFM, farklı kliniklerde değerlendirilen hastalardan toplanan 585.000 saatlik polisomnografi verisiyle eğitildi. Uyku kayıtları, büyük dil modellerinde kelimelere karşılık gelecek şekilde beş saniyelik zaman dilimlerine ayrılarak işlendi.
Biyomedikal veri bilimi doçenti James Zou, “SleepFM aslında uykunun dilini öğreniyor.” diyerek modelin yaklaşımını özetliyor.
Model beyin dalgaları, kalp sinyalleri, kas aktivitesi, nabız ve solunum hava akışı gibi çok sayıda veri akışını bir araya getirerek aralarındaki ilişkileri çözümleyebiliyor. Bunu mümkün kılmak için araştırmacılar bir veri türünü geçici olarak gizleyip modelin eksik bilgiyi diğer sinyallerden yeniden üretmesini sağlayan, biri-dışarıda-bırakan karşılaştırmalı öğrenme adı verilen yeni bir eğitim tekniği geliştirdi.
James Zou, çalışmadaki temel teknik ilerlemenin farklı veri modalitelerini ortak bir temsil altında birleştirmek olduğunu belirtiyor.
Hastalıkları Öngörmek
Eğitim sürecinin ardından model, çeşitli görevler için ince ayardan geçirildi. Öncelikle uyku evrelerinin sınıflandırılması ve uyku apnesi şiddetinin belirlenmesi gibi standart görevlerde test edilen SleepFM, mevcut ileri düzey modellerle eşdeğer veya daha iyi performans gösterdi.
Araştırmacılar daha sonra, uyku verilerinden gelecekte ortaya çıkabilecek hastalıkları tahmin etmeyi hedefledi. Bunun için polisomnografi kayıtları, aynı kişilerin uzun vadeli sağlık sonuçlarıyla eşleştirildi. Stanford Sleep Medicine Center’ın yarım asrı aşan sağlık kayıtları, analiz için önemli bir avantaj sağladı.
Merkez, 1970 yılında uyku tıbbının öncülerinden William Dement tarafından kuruldu. Çalışmada kullanılan en büyük hasta grubunu; yaşları 2 ile 96 arasında değişen ve 1999–2024 yılları arasında uyku testlerinden geçen yaklaşık 35.000 kişi oluşturdu. Katılımcıların verileri, bazı durumlarda 25 yıla kadar uzanan elektronik sağlık kayıtlarıyla ilişkilendirildi. Emmanuel Mignot, kliniğin kayıtlarının daha eskiye dayandığını fakat o verilerin sadece kağıt üzerinde olduğunu belirtiyor.
SleepFM, sağlık kayıtlarındaki 1.000’den fazla hastalık kategorisini analiz ederek, uyku verilerinden makul doğrulukla öngörülebilen 130 hastalık grubunu belirledi. Model kanserler, gebelik komplikasyonları, dolaşım sistemi hastalıkları ve ruhsal bozukluklarda özellikle güçlü sonuçlar verdi ve 0,8’in üzerinde C-indeksi değerlerine ulaştı.
James Zou, C-indeksinin modelin hangi kişinin bir sağlık olayını daha erken yaşayacağını ne ölçüde doğru sıralayabildiğini gösterdiğini ve 0,8 seviyesinin klinik açıdan oldukça güçlü kabul edildiğini belirtiyor.
Model Parkinson hastalığı (0,89), demans (0,85), hipertansif kalp hastalığı (0,84), kalp krizi (0,81), prostat kanseri (0,89), meme kanseri (0,87) ve ölüm (0,84) riskini tahmin etmede yüksek başarı gösterdi. Zou, farklı hastalık grubunda anlamlı tahminler elde edilmesinin ekip için şaşırtıcı derecede olumlu bir sonuç olduğunu ifade ediyor. Ayrıca klinik ortamlarda C-indeksi 0,7 civarında olan modellerin bile oldukça faydalı kabul edildiğini sözlerine ekliyor.
Modeli Yorumlamak
Araştırmacılar, giyilebilir cihazlardan elde edilecek ek verilerle modelin doğruluğunu artırmayı ve hangi sinyallerin hangi tahminlerde etkili olduğunu daha net biçimde anlamayı hedefledi. Model çıktıları doğrudan insan dilinde açıklanmıyor; ancak ekip, karar süreçlerini yorumlayabilmek için çeşitli analiz teknikleri geliştiriyor.
Çalışmada kalp sinyallerinin kalp hastalıkları, beyin sinyallerinin ise ruh sağlığı tahminlerinde daha baskın rol oynadığı görülse de en yüksek doğruluk, tüm veri türlerinin birlikte değerlendirilmesiyle elde ediliyor. Bu noktada Emmanuel Mignot, özellikle vücuttaki farklı sistemler arasındaki senkronizasyon bozulmalarının (örneğin uykuda görünen bir beyin ama uyanık görünen bir kalp gibi) önemli risk işaretleri sunduğunu vurguluyor.
Kaynak: https://med.stanford.edu/news/all-news/2026/01/ai-sleep-disease.html
