Hanya dengan tidur satu malam di laboratorium, di mana sinyal fisiologis direkam, sebuah model kecerdasan buatan atau akal imitasi (AI) baru bisa memperkirakan risiko seseorang terhadap sekitar 130 penyakit di masa depan. Risiko ini termasuk penyakit Parkinson, demensia, penyakit jantung, hingga kanker prostat dan payudara.

SleepFM bisa membuat prediksi ini bertahun-tahun sebelum gejala pertama muncul, kata James Zou, profesor ilmu data biomedis di Universitas Stanford di Amerika Serikat sekaligus salah satu penulis utama studi SleepFM, yang diterbitkan awal Januari di jurnal Nature Medicine.

SleepFM dilatih menggunakan hampir 600.000 jam data tidur dari 65.000 orang. Studi dan pengukuran tidur ini disebut polisomnografi, yang menggunakan berbagai sensor untuk mengukur gelombang otak, aktivitas jantung, pernapasan, ketegangan otot, serta gerakan mata dan kaki saat pasien tidur.

Untuk SleepFM, tim peneliti menggunakan data yang sebagian besar dikumpulkan dari Sleep Medicine Center Universitas Stanford di California, AS.

AI dilatih dengan data tidur

Pertama, SleepFM diperlihatkan sinyal dari otak, jantung, dan tubuh saat tidur normal, dengan rata-rata “normal” dihitung secara statistik.

Setelah itu, SleepFM diajarkan tentang berbagai tahap tidur, termasuk sleep apnea, yaitu gangguan di mana pernapasan berhenti dan mulai berulang kali saat tidur. Para peneliti kemudian menghubungkan data tidur ini dengan catatan kesehatan elektronik selama 25 tahun terakhir, untuk melihat bagaimana diagnosis kesehatan di masa depan berkorelasi dengan pengukuran polisomnografi.

SleepFM kemudian mampu mendeteksi pola dalam data, dan dari sekitar 1.000 penyakit yang mungkin, berhasil mengidentifikasi 130 penyakit yang bisa diprediksi dengan akurasi sedang hingga tinggi menggunakan data tidur.

“Hasil kami menunjukkan bahwa banyak kondisi, termasuk strok, demensia, gagal jantung, hingga berbagai penyebab kematian, dapat diprediksi dengan baik dari data tidur, semakin memperkuat potensi tidur sebagai biomarker yang kuat untuk kesehatan jangka panjang,” kata Rahul Thapa, mahasiswa doktoral di ilmu data biomedis dan salah satu penulis utama studi tersebut.

“Secara prinsip, model AI bisa dilatih untuk jumlah prediksi yang sangat besar, asalkan data dasarnya tersedia,” kata Sebastian Buschjäger, pakar machine learning dari Technical University Dortmund, Jerman, yang sedang mengerjakan proyek tidur bernama Sleepwalker di Jerman. Project ini tidak terlibat dalam proyek SleepFM di AS.

Kombinasi sinyal tubuh yang paling informatif

Analisis menggunakan algoritma canggih menunjukkan bahwa sinyal jantung saat tidur bisa membantu memprediksi penyakit kardiovaskular, sementara sinyal otak lebih penting untuk penyakit neurologis dan psikologis di masa depan. Namun, hasil paling informatif justru muncul dari kombinasi berbagai sinyal tersebut.

Contohnya, ketika aktivitas listrik otak menunjukkan tidur stabil, tetapi jantung tampak lebih “terjaga.” Ketidaksesuaian antara sinyal otak dan jantung seperti ini bisa menjadi indikasi adanya tekanan fisik tersembunyi akibat penyakit awal, jauh sebelum gejala terlihat.

Kolaborasi antar-disiplin sangat penting

“Jika rekan kami di bidang tidur medis mencurigai adanya keterkaitan, kami, ahli AI, bisa memasukkannya ke dalam sistem prediktif, dan sebaliknya, [kami bisa] memberi indikasi di mana keterkaitan mungkin ada,” jelas Buschjäger.

AI memang bisa memberikan korelasi statistik, tetapi makna dan hubungan sebab-akibatnya tetap harus diinterpretasikan oleh profesional medis.

Prediksi SleepFM sebagian besar berdasarkan data dari laboratorium tidur, artinya data berasal dari orang-orang yang biasanya dirujuk dokter karena masalah tidur dan yang tinggal di daerah dengan akses medis berteknologi tinggi, yang biasanya lebih mampu secara ekonomi.

Para peneliti SleepFM mengintegrasikan data dari pasien di AS dan Eropa, tetapi umumnya orang tanpa masalah tidur dan orang dari wilayah kurang mampu kurang terwakili dalam pemodelan SleepFM.

SleepFM juga tidak bisa menentukan penyebab suatu penyakit. AI hanya menunjukkan korelasi, yaitu pola yang mungkin terkait dengan diagnosis di masa depan.

“Sebagian besar metode AI tidak mempelajari hubungan sebab-akibat,” jelas ilmuwan komputer Matthias Jakobs dari Technical University Dortmund, yang juga bekerja menganalisis data tidur untuk proyek Sleepwalker di Jerman.

Potensi menambah pengetahuan medis

AI menggunakan machine learning, yaitu pemrograman yang memungkinkan komputer menemukan pola dari data dalam jumlah besar. Mesin “belajar” dari pola-pola ini.

Meski komputer hanya menemukan korelasi statistik, potensi untuk diagnosis dan terapi medis tetap besar, tulis Jakobs dalam wawancara email dengan DW.

Model seperti SleepFM bisa merekam tahap tidur atau sleep apnea lebih efisien, sehingga dokter bisa lebih fokus pada pasien.

Buschjäger menekankan pentingnya kolaborasi lintas disiplin. “Model AI bisa dilatih untuk merencanakan terapi, tetapi manusia, atau degan kata lain dokter, yang menafsirkan hasil dan memilih terapi, seringkali tanpa mengetahui semua penyebab yang mendasari,” jelasnya.

Ada juga potensi diagnosis tidur yang lebih jauh daripada sekadar korelasi polisomnografi dengan prediksi penyakit. Jika sinyal tidur tertentu terus-terusan dikaitkan dengan penyakit tertentu, hal ini bisa memberi petunjuk proses mana dalam sistem saraf, jantung, atau sistem kekebalan tubuh yang terganggu sejak dini. Informasi semacam ini bisa membantu meningkatkan kesehatan masyarakat secara lebih luas, jauh di luar laboratorium tidur.

Artikel ini pertama kali terbit dalam bahasa Jerman

Diadaptasi oleh Rahka Susanto

Editor: Yuniman Farid