Aus den Signalen einer einzigen Nacht im Schlaflabor kann eine neue KI das spätere Risiko für rund 130 Krankheiten abschätzen – darunter Parkinson, Demenz, Herzinfarkt sowie Prostata- und Brustkrebs. Und das "Jahre, bevor die ersten Symptome auftreten", so Stanford-Datenwissenschaftler James Zou, einer der Autoren der im Fachmagazin Nature Medicine erschienenen Studie.

Das neue KI-Modell heißt SleepFM und wurde mit hunderttausenden Stunden an Schlafdaten trainiert.​ Entwickelt wurde es von einem Team um Rahul Thapa, biomedizinischer Datenwissenschaftler an der Stanford University.

Wie die KI den Schlaf "lesen" lernt

Die Untersuchung und Messung des Schlafs im Schlaflabor nennt sich Polysomnographie. Dabei werden gleichzeitig Hirnströme, Herzaktivität, Atmung, Muskelspannung sowie Augen- und Beinbewegungen aufgezeichnet. Für SleepFM nutzte das Team rund 585.000 Stunden solcher Aufzeichnungen von etwa 65.000 Personen aus mehreren Gruppen, überwiegend aus dem Stanford Sleep Medicine Center.​

Im Vortraining lernte die KI, wie die Signale von Gehirn, Herz und Atmung bei normalem Schlaf aufeinander abgestimmt sind. Eine Art Schlafsprache, die das Modell statistisch erfasst.​

Vom Schlafsignal zur Krankheitsprognose

Nach diesem Grundtraining wurde SleepFM auf Aufgaben wie Schlafstadien-Erkennung und Schlafapnoe-Diagnostik feinjustiert und erreicht dort Werte, die mit etablierten Methoden wie U-Sleep oder YASA konkurrenzfähig sind. 

Diese beiden Programme nutzen EEG-Daten, mit dem Hirnströme gemessen werden und helfen Forschenden dabei, Schlafstadien zu erkennen und zu analysieren.

Anschließend verknüpften die Forschenden die Schlafdaten mit bis zu 25 Jahre zurückreichenden elektronischen Gesundheitsakten und prüften, welche späteren Diagnosen sich aus einer einzigen Messnacht vorhersagen lassen.​

Aus über 1000 Kategorien identifizierte das Modell 130 Krankheiten, deren Risiko mit mindestens moderater bis hoher Genauigkeit prognostiziert werden konnte. Erstautor Rahul Thapa betont zudem, der Ansatz zeige, "dass Routine-Schlafmessungen ein bislang unterschätztes Fenster in die langfristige Gesundheit des Menschen eröffnen".

Besonders gut gelang die Vorhersage demnach bei Demenz, Parkinson, Herzinfarkt, Herzinsuffizienz, bestimmten Krebsarten sowie der Gesamtsterblichkeit. "Im Prinzip kann man ein KI-Modell für sehr viele mögliche Prognosen trainieren, sofern die Datengrundlage dafür da ist", sagt Sebastian Buschjäger, Schlafexperte am Lamarr-Institut der TU Dortmund, der an der Studie nicht beteiligt war.​

Was die KI im Schlafkörper sucht

Die Auswertung zeigt: Herzsignale tragen besonders viel zur Vorhersage von Herz-Kreislauf-Erkrankungen bei, während Gehirnsignale wichtiger für neurologische und psychische Störungen sind. Am aussagekräftigsten ist aber die Kombination verschiedener Signale – etwa wenn das EEG einen stabilen Schlafzustand anzeigt, das Herz aber eher "wach" wirkt.​

Solche Widersprüche zwischen Gehirn und Herz könnten auf verborgene Belastungen oder frühe Krankheitsprozesse hinweisen, lange bevor Symptome auffallen. "Wenn die Kolleg:innen aus der Schlafmedizin einen Verdacht für einen Zusammenhang haben, dann können wir KI-Leute diesen in ein Prognosesystem überführen – und umgekehrt Hinweise geben, wo Zusammenhänge bestehen könnten", sagt Buschjäger.

"Die Zusammenhänge, die wir liefern, sind aber meist statistisch. Der kausale Zusammenhang muss von Expert:innen validiert werden", so der Dortmunder Schlafexperte schriftlich gegenüber der DW.​

Wie belastbar sind die Labor-Daten?

Die Grundlage des Modells sind primär Daten aus Schlaflaboren, also von Menschen, die meist wegen Schlafproblemen überwiesen wurden und in wohlhabenderen Regionen mit Zugang zu Hightech-Medizin leben. Zwar integrieren die Forschenden mehrere US- und europäische Gruppen, sogenannte Kohorten.

Sie testen das Modell zusätzlich in einer unabhängigen Studie, doch Menschen ohne Schlafbeschwerden oder aus unterversorgten Weltregionen bleiben unterrepräsentiert.​

Chancen und Grenzen für Diagnostik und Therapie

Die Forschenden betonen ausdrücklich, dass SleepFM keine Krankheitsursachen aufdeckt, sondern Korrelationen: Es erkennt statistische Muster im Schlaf, die mit späteren Diagnosen zusammenhängen könnten. 

"Die meisten KI-Verfahren lernen keine kausalen Zusammenhänge", erklärt der Informatiker Matthias Jakobs von der TU Dortmund, der KI- und Maschinelle Lernverfahren, kurz ML-Verfahren, zur Analyse von Schlafdaten erforscht und nicht an der Studie beteiligt war.​

ML-Verfahren sind rechnerische Methoden, mit denen Computer aus Beispieldaten lernen, Muster zu erkennen und Vorhersagen zu treffen, ohne für jede Regel explizit programmiert zu werden. 

Trotzdem sieht Jakobs "Potenzial für Diagnosen und Therapien, auch wenn lediglich statistische Zusammenhänge ausgenutzt werden", so der Informatiker schriftlich gegenüber der DW.

KI hilft dem Menschen, ersetzt ihn aber nicht

Modelle wie SleepFM komprimieren die riesigen Datenmengen der Polysomnografie in sogenannte Embeddings, also kompakte Zahlenrepräsentationen, die eine schnellere und oft genauere Auswertung erlauben: "Schlafstadien oder Apnoen können damit effizient annotiert werden – eine Arbeit, die per Hand sehr zeitaufwändig und fehleranfällig ist. Dadurch bleibt mehr Zeit der Ärzt:innen für die Patient:innen", so Informatiker Jakobs. 

Der Dortmunder Schlafexperte Buschjäger betont zugleich, entscheidend sei die interdisziplinäre Zusammenarbeit: "Eine KI kann man gut für die Therapieplanung trainieren, aber der Mensch – also der Arzt oder die Ärztin – interpretiert die Ergebnisse und wählt die Therapie, oft ohne alle Ursachen zu kennen." 

Damit bleibt die KI Werkzeug und Frühwarnsystem – die Verantwortung für Diagnose und Behandlung liegt weiterhin beim medizinischen Personal.

Ob und in welchem Maß die gefundenen Muster auf zugrunde liegende biologische Mechanismen verweisen, ist zwar noch offen, doch genau hier sehen Forschende ein großes Potential. 

Wenn sich bestimmte Signalprofile im Schlaf immer wieder mit einzelnen Erkrankungen verbinden, könnten sie Hinweise darauf geben, welche Prozesse im Nervensystem, Herz-Kreislauf-System oder Immunsystem früh aus dem Takt geraten. Und damit auch Rückschlüsse auf die Gesundheit von Menschen jenseits der bisherigen Schlaflabor-Kohorten ermöglichen.