בדיקת שינה נחשבת כיום לכלי אבחנתי ממוקד: נחירות, דום נשימה, הפרעות שינה. אבל מחקר רחב היקף שפורסם השבוע בכתב העת Nature Medicine מציע שינוי תפיסה דרמטי: אותו לילה במעבדת שינה עשוי להכיל מידע עמוק בהרבה - כזה שמאפשר לחזות סיכון עתידי לעשרות מחלות קשות, שנים לפני האבחנה הקלינית.
החוקרים פיתחו מודל בינה מלאכותית בשם SleepFM, שאומן על יותר מחצי מיליון שעות של בדיקות שינה מכ-65 אלף בני אדם. לפי הדיווח, המודל הצליח לנבא 130 מצבים רפואיים שונים ברמת דיוק גבוהה, בהם תמותה מכל סיבה, דמנציה, התקף לב, אי-ספיקת לב, שבץ, מחלת כליות כרונית ופרפור פרוזדורים - וזאת על בסיס לילה אחד בלבד של שינה.
ד"ר אורי אלקן, מומחה לאף-אוזן-גרון ולרפואת שינה, האחראי על מרפאת מחלות וניתוחי שינה בבתי החולים בילינסון והשרון מקבוצת כללית, מסביר כי הרעיון העומד בבסיס המחקר מלווה רופאים בתחום כבר שנים רבות. לדבריו, מעבדת שינה מייצרת כמות עצומה של מידע, אך היכולת האנושית לעבד אותו באופן מלא מוגבלת. "גם רופא מיומן מאוד, שעבר וניתח אלפי בדיקות שינה, מתקשה להפיק את כל המסקנות האפשריות מכמות כזו של נתונים. אנחנו יודעים לזהות היטב דפוסים מסוימים, אבל כבר מזמן ברור שיש כאן עולם שלם של מידע שפשוט גדול על המוח האנושי, ושאנחנו לא מצליחים למצות אותו עד הסוף".
ד"ר אורי אלקןצילום: בילינסוןדווקא כאן נכנסת הבינה המלאכותית. "זה מרשים מאוד שהחוקרים הצליחו לעשות זאת", אומר ד"ר אלקן. "עדיין מוקדם להסיק מסקנות קליניות רחבות, אבל אין ספק שמדובר בעבודה מצוינת. העובדה שהם גם פתחו את המאגר לציבור היא צעד חשוב, שמאפשר גם לנו, כמומחים, לגשת לנתונים, ללמוד מהם ולהיעזר בהם. זה פותח פתח לפיתוחים רבים בעתיד".
הוא מדגיש יתרון נוסף של התחום: "חשוב לזכור שמעבדת שינה היא בדיקה נוחה ולא חודרנית. מדובר בפעולה טבעית - אדם פשוט ישן - ולכן זו בדיקה ידידותית מאוד למטופל. הפוטנציאל כאן אדיר: היכולת לזהות סימנים למחלות בשלב מוקדם מאוד, עוד לפני שהן באות לידי ביטוי קליני ועוד לפני שהמטופל עצמו מרגיש שמשהו אינו כשורה. יש בזה הרבה תקווה לעתיד הרפואה המונעת והאבחון המוקדם".
4 צפייה בגלריה
שיבושי שינה מקדימים לא פעם מחלות קשות: הפרעות פסיכיאטריות, מחלות לב וכלי דם ועוד
(צילום: Shutterstock)
למה דווקא שינה?
השינה היא תהליך פיזיולוגי מורכב, שמערב כמה מערכות גוף בו-זמנית: המוח, הלב, השרירים ומערכת הנשימה. בדיקת שינה מלאה (PSG) מודדת את כולן יחד, אך עד היום עיקר השימוש בה היה נקודתי: אבחון הפרעת שינה מסוימת.
החוקרים מזכירים כי שיבושי שינה מקדימים לא פעם מחלות קשות: הפרעות פסיכיאטריות, מחלות ניווניות של המוח, מחלות לב וכלי דם ועוד. למרות זאת, רוב המחקרים הסתפקו במדדים בודדים או בהערכות ידניות - ולא מיצו את העושר הפיזיולוגי שמכילה בדיקת השינה. כאן נכנסת הגישה החדשה: מודל AI שלומד בעצמו דפוסים עמוקים מהנתונים, בלי להישען מראש על אבחנות או תוויות.
מודל הבינה המלאכותית SleepFM פותח ואומן על מאגר נתונים יוצא דופן בהיקפו, שהתבסס על בדיקות שינה מלאות מארבעה מקורות מרכזיים: מרפאת השינה של אוניברסיטת סטנפורד, מאגר הנתונים של BioSerenity ושני מחקרי אוכלוסייה רחבי היקף - MESA ו-MrOS. בסך הכול נכללו באימון המודל כ-585 אלף שעות של שינה מתועדת, שנאספו מיותר מ-65 אלף משתתפים, בטווח גילים רחב במיוחד - מילדות ועד גיל זקנה.
כדי לבדוק אם המודל באמת "מבין שינה" ולא רק זוכר את הנתונים, החוקרים בחנו אותו גם על מאגר חיצוני גדול - Sleep Heart Health Study (SHHS) - שלא נכלל כלל באימון המוקדם. האתגר הגדול היה חוסר האחידות: לא כל בדיקת שינה כוללת את אותם חיישנים או אותם ערוצים. לכן פותחה ארכיטקטורה "אדישה לערוצים", שמסוגלת לעבוד גם כשחלק מהמידע חסר. רק לאחר שנמצא שהמודל מצליח לנתח שינה בצורה אמינה ועקבית, עברו החוקרים לשלב המרכזי של המחקר: בדיקה האם ניתן לחזות באמצעותו סיכון עתידי למחלות.
4 צפייה בגלריה
מודל מבוסס AI שמצליח לחזות 130 מצבים רפואיים על סמך לילה אחד בלבד של שינה
(צילום: Shutterstock)
חיזוי סיכון למחלות לב, שבץ ודמנציה
לצורך חיזוי מחלות חיברו החוקרים את נתוני בדיקות השינה של מטופלי מרפאת השינה בסטנפורד לרשומות הרפואיות האלקטרוניות שלהם. כדי להבטיח שמדובר בחיזוי עתידי ולא בזיהוי מחלה קיימת, הוגדר שמצב רפואי ייחשב כחיובי רק אם הופיע לפחות שבוע לאחר בדיקת השינה. מחלות נדירות במיוחד הוצאו מהניתוח, ובסופו של דבר נבחנו 1,041 מצבים רפואיים שונים.
התוצאות היו מרשימות: ב-130 מצבים רפואיים שונים הצליח המודל לחזות את הסיכון בצורה טובה במיוחד. בין המצבים שבהם נרשמה יכולת חיזוי גבוהה במיוחד נכללו תמותה מכל סיבה, דמנציה, אוטם שריר הלב, אי-ספיקת לב, מחלת כליות כרונית, שבץ מוחי ופרפור פרוזדורים.
כדי להבין מאין מגיע המידע החיזויי, ביצעו החוקרים ניתוח נוסף שבחן את תרומת מרכיבי בדיקת השינה השונים. נמצא כי האותות המוחיים, הכוללים פעילות מוח ותנועות עיניים, תרמו במיוחד לחיזוי מצבים נוירולוגיים והפרעות נפשיות. אותות נשימתיים היו אינפורמטיביים יותר בכל הנוגע למחלות נשימה ולמצבים מטבוליים, ואילו רישומי ה-ECG תרמו באופן בולט לחיזוי מחלות של מערכת הלב וכלי הדם. עם זאת, בכל תחומי התחלואה התמונה הייתה ברורה: השילוב של כל האותות יחד סיפק את הביצועים הטובים ביותר.
ממצאים דומים עלו גם כאשר ניתחו את הנתונים לפי שלבי שינה. כל שלבי השינה תרמו לחיזוי הסיכון, אך במקרים מסוימים נצפה יתרון קל לשלבי שינה קלה ולשנת REM, בעיקר בהקשר של מחלות לב ומחלות ניווניות של המוח. המסקנה של החוקרים היא שהמידע החיוני אינו מצוי ברכיב יחיד של השינה, אלא בדפוס הכולל שהיא יוצרת לאורך הלילה.
האם זה עובד גם מחוץ למעבדה?
כדי לבדוק עד כמה המודל יציב מחוץ לסט הנתונים שעליו אומן, החוקרים ביצעו שתי בחינות מרכזיות. הראשונה הייתה בחינת זמן: הם אימנו את המודל על נתונים שנאספו עד שנת 2020, ואז בחנו אותו על מטופלים מאוחרים יותר. לפי הדיווח, הביצועים נשמרו בחלק גדול מהמצבים שנבדקו, אך נרשמה ירידה מסוימת - תופעה מוכרת כשמודלים קליניים נדרשים להתמודד עם שינויי אוכלוסייה, פרקטיקות רפואיות ומאפייני נתונים לאורך השנים.
הבחינה השנייה הייתה בדיקת אתר חיצוני: החוקרים עברו למאגר גדול אחר, SHHS, שלא נכלל כלל באימון המוקדם, וגם שם המודל שמר על יכולת חיזוי טובה במיוחד עבור תוצאות קרדיווסקולריות, כולל מחלות לב, שבץ ותמותה הקשורה למחלות לב וכלי דם.
מול שני המודלים הללו SleepFM הציג שיפור של כ-5%-17% במדדי החיזוי, בעיקר בתחומים נוירולוגיים, קרדיווסקולריים ומטבוליים. החוקרים מסכמים כי בעתיד, עם התקדמות טכנולוגיות שינה לבישות ושילוב עם נתונים רפואיים נוספים, מודלים כמו SleepFM עשויים לשמש כלי לא פולשני לניטור בריאותי ארוך טווח - אך מדגישים: מדובר בצעד מחקרי משמעותי, לא בכלי קליני מיידי.
