SleepFM: Uykunun Sırrını Dilleştiren Yapay Zeka Modeli ve Sağlık Tahminleri

SleepFM, biyomedikal veri bilimi çalışmaları içinde dikkat çekici bir adım olarak karşımıza çıkıyor. 1999 ile 2024 yılları arasındaki dönemde toplanan 580 binden fazla saatlik uyku verisiyle eğitildi ve 65 bine yakın hastadan elde edilen klinik bilgilerle zenginleştirildi. Bu veriler, beyin aktivitesi, kalp atış hızı, solunum sinyalleri, bacak hareketleri ve göz hareketleri gibi çoklu sinyalleri kapsıyordu. Yüllük verileri, modelin öğrenme sürecini kolaylaştırmak için beşer saniyelik parçalara bölündü; adeta kelimeler gibi işlem görecek bir yapıya dönüştürüldü.

Çalışmanın yazarı James Zou, SleepFM’nin temel işlevini “uyku dilini öğrenmesi” olarak nitelendirdi. Bu yaklaşım, uyku verilerini hastaların bireysel sağlık kayıtlarıyla birleştirmeyi ve modelin gelecekte ortaya çıkabilecek hastalıkları tahmin edebilmesini hedefledi. Sonuçlar, Parkinson, Alzheimer, demans, hipertansif kalp hastalığı, kalp krizi, prostat ve meme kanseri risklerinde en az %80 doğruluk elde edildiğini gösterdi. Ayrıca model, hastaların ölümünü yaklaşık %84 oranında doğru öngördü.

Bazı hastalıklarda doğruluk düşük kalabildi. Kronik böbrek hastalığı, felç ve aritmi olarak bilinen düzensiz kalp atışları durumunda doğruluk oranı en az %78 olarak ölçüldü. Uyku tıbbı uzmanı Emmanuel Mignot, uyku sırasında pek çok sağlık sinyalinin birlikte kaydedildiğini vurguladı ve bunun sekiz saatlik kapsamlı bir fizyolojik gözlem sunduğunu belirtti. Farklı vücut sinyallerinin birlikte değerlendirilmesi, modelin başarısını artıran önemli bir etken olarak öne çıktı. Özellikle beynin uykuya dalmış görünmesine rağmen kalbin “uyanık” davranması gibi uyumsuz göstergeler, sağlık açısından kritik haberler olarak değerlendirildi.

Gelecek aşamada Stanford Üniversitesi, SleepFM’nin tahmin yeteneğini güçlendirmek amacıyla giyilebilir cihazlardan elde edilecek verileri de sisteme eklemeyi planlıyor. Ancak Work-in-progress olarak vurgulanan önemli bir sınırlama da bulunuyor: Veriler, mevcut sağlık sorunlarından şüphelenen kişilerden elde edildiği için genel toplumdaki hastalık tespitindeki başarısını tam olarak yansıtmayabilir. Bu nedenle sonuçlar, daha geniş ve rastgele örneklerle doğrulanmalı.