Vanliga sömnundersökningar kan innehålla betydligt mer information om vår hälsa än vad läkare hittills har kunnat använda. Det visar en ny studie där forskare utvecklat en AI-modell som identifierar tidigare okända mönster i data från sömnlaboratorier.
Modellen kunde inte bara upptäcka skillnader mellan patienter – den avslöjade också tydliga kopplingar till framtida risk för hjärt-kärlsjukdom, kognitiv försämring och dödlighet.
Forskarna menar att resultaten visar att rutinmässiga medicinska undersökningar innehåller ett stort informationsvärde som dagens kliniska metoder inte fullt ut tar tillvara.
AI analyserade hela nattens sömndata
Varje år genomgår mellan en och fyra miljoner amerikaner en så kallad polysomnografi, en omfattande sömnundersökning där bland annat hjärnaktivitet, andning, hjärtfunktion och muskelaktivitet registreras under natten.
Trots att dessa undersökningar samlar in stora mängder fysiologiska data bygger dagens diagnoser ofta på ett begränsat antal mätvärden.
Forskarna bakom den nya studien lät i stället en AI-modell analysera hela datamängden från sömnundersökningarna. Syftet var att se om det fanns dolda mönster som inte fångas av dagens diagnostiska metoder.
Fem tydliga riskgrupper
När AI-modellen analyserade patienternas sömndata identifierade den fem olika riskgrupper med tydligt skilda långsiktiga hälsoutfall.
Den mest uppmärksammade upptäckten var att personer i den högsta riskgruppen hade dubbelt så hög risk att avlida inom fem år jämfört med patienterna i den lägsta riskgruppen.
Det anmärkningsvärda var att denna skillnad inte kunde förklaras av det traditionella måttet för sömnapné, det så kallade apnea-hypopnea index (AHI), som i dag används rutinmässigt inom sömnmedicin.
Upptäckte signaler som människor inte ser
Enligt forskarna lyckades AI-modellen identifiera fysiologiska signaler som är osynliga vid traditionell analys.
Dessa dolda mönster fungerade som prognostiska biomarkörer och kunde kopplas till framtida risk för bland annat:
- hjärt-kärlsjukdom,
- neurologiska sjukdomar,
- kognitiv försämring,
- ökad dödlighet.
Forskarna menar att den här typen av analys kan ge läkare ett betydligt bättre underlag för att identifiera patienter som behöver närmare uppföljning eller förebyggande behandling.
Kan ge mer individanpassad vård
En viktig slutsats är att sömnundersökningar kan användas till betydligt mer än att diagnostisera sömnapné.
Genom att analysera hela den fysiologiska signalbilden kan AI bidra till att ge en mer heltäckande bild av patientens allmänna hälsa och framtida sjukdomsrisk.
Forskarna beskriver metoden som ett steg mot mer individanpassad sömnmedicin, där behandlingen i högre grad anpassas efter varje patients biologiska profil i stället för enbart efter traditionella diagnosmått.
Bekräftades i en nationell patientgrupp
För att säkerställa att resultaten inte bara gällde en enskild patientgrupp testades modellen även på en större nationell databas.
Forskarna såg samma mönster även där, vilket stärker tillförlitligheten i resultaten.
AI-modellen visade dessutom god träffsäkerhet hos både män och kvinnor. Det är särskilt intressant eftersom det traditionella AHI-måttet historiskt har fungerat bättre för män än för kvinnor.
Nästa steg är bredare tester
Forskarna betonar att resultaten behöver bekräftas i ännu större och mer varierade patientgrupper innan metoden kan börja användas i klinisk rutin.
Samtidigt menar de att studien visar vilken potential som finns i att använda artificiell intelligens för att analysera medicinska data som redan samlas in varje dag.
I stället för att enbart använda ett fåtal sammanfattande mätvärden kan framtidens AI-system hjälpa vården att utnyttja hela informationsinnehållet i en undersökning – och därmed upptäcka sjukdomsrisker långt tidigare än vad som är möjligt i dag.
