研究人員研發AI模型 利用一晚睡眠數據預測逾百種健康風險
美國斯坦福大學的研究團隊開發出一款名為SleepFM的大型語言模型（LLM），這款人工智能系統能夠透過分析人體在睡眠期間的腦電波、心率、呼吸信號、腿部動作及眼動等數據，判斷使用者是否有罹患超過100種疾病的風險。
該研究最新成果於權威期刊《自然》（Nature）發表，研究團隊利用1999年至2024年間，來自6.5萬名患者超過58萬小時的睡眠數據進行訓練。數據以五秒為單位切割，類似語言模型訓練中的「詞彙」，讓AI「學習睡眠的語言」。斯坦福大學生物醫學數據科學副教授兼研究共同作者James Zou解釋：「SleepFM本質上是在學習睡眠的語言。」
研究人員同時結合患者的健康紀錄，令模型能夠預測未來可能發生的疾病。SleepFM在預測帕金森氏症、阿茲海默症、癡呆、高血壓性心臟病、心臟病發作、前列腺癌與乳癌等疾病時，準確率均達80%以上，並且對患者死亡風險的判斷達84%準確度。對慢性腎病、中風及心律不整（心跳不規則）等疾病的預測準確度則約為78%。
斯坦福睡眠醫學教授Emmanuel Mignot強調：「我們在研究睡眠時記錄了大量生理信號，這是一種全面的生理狀態監測，對象在睡眠中完全不動，數據非常豐富。」研究團隊指出，將腦部與心臟信號等多種生理指標結合，是模型達到高準確度的關鍵，例如當腦部顯示睡眠狀態但心臟仍處於清醒狀態，往往預示著健康風險。
斯坦福團隊計劃未來將來自穿戴式設備的數據納入SleepFM，以進一步提升預測能力。不過，研究者也提醒，目前研究對象皆為因健康問題而接受睡眠診斷的患者，樣本並不代表一般健康人群，因此該AI模型在普羅大眾中的疾病偵測能力仍需進一步驗證。
—
評論與啟示
這項由斯坦福團隊研發的SleepFM AI模型，展現了人工智能在健康監測與疾病預測領域的革命性潛力。睡眠作為人體最自然且持續的生理狀態，蘊含豐富的健康訊息，過去卻鮮少有技術能夠將這些複雜且多維度的生理信號有效解碼。SleepFM的誕生，正好填補了這一空白，利用大數據與語言模型的創新結合，將生理訊號轉化為可解讀的「睡眠語言」，為臨床診斷提供了全新思路。
此外，這種以睡眠為切入點的健康監測方式，具有非侵入性、持續性且數據量龐大的優勢，未來若結合智能穿戴裝置，將能實現更廣泛的健康風險篩查與早期干預，為慢性病防治帶來突破。
不過，現階段研究樣本主要來自健康狀況已被懷疑有問題的患者，尚未涵蓋普遍健康人群，因此如何將模型推廣至日常健康管理，避免誤判與過度醫療風險，是未來必須面對的挑戰。
最後，這種跨學科結合AI語言模型與醫學數據的新嘗試，提醒我們醫療科技的未來不僅是數據量的擴大，更是如何用創新算法「讀懂」生物信號背後的複雜訊息，真正實現個人化、精準的健康管理。對香港及全球的醫療界來說，這無疑是一場值得密切關注的前沿革命。
以上文章由GPT 所翻譯及撰寫。而圖片則由GEMINI根據內容自動生成。
