این سامانه که SleepFM نام دارد، با آنالیز ۵۸۵ هزار ساعت خواب حدود ۶۵ هزار بیمار در کلینیک‌های تخصصی گردآوری شده که معادل ۶۶ سال ثبت مداوم اطلاعات است.

این داده‌ها از طریق تست جامع خواب (پلی‌سومنوگرافی) جمع‌آوری شده که در آن امواج مغز، ریتم قلب، الگوی تنفس و حرکات بدن در طول شب به دقت ردیابی می‌شود.

به گفته یکی از نویسندگان این پژوهش، اسلیپ اف‌ام با گردآوری حجم انبوهی از داده‌های خواب از افراد مختلف، در حقیقت در حال یادگیری زبان خواب است.

«جیمز زو» می‌گوید: ما راهی پیدا کردیم که همه این سیگنال‌های مختلف بدنی با هم گفت‌و‌گو کنند و زبانی مشترک بیاموزند.

پیش‌بینی بیماری با دقتی چشمگیر

بر اساس این پژوهش که نتایج آن در نشریه Nature Medicine منتشر شده، این سامانه پس از گردآوری داده‌ها و رسیدن به زبان خواب، ابتدا در تشخیص مراحل خواب و شدت آپنه خواب (قطع تنفس در خواب) از سامانه‌هایی که تاکنون مورد استفاده و استناد قرار می‌گرفت موفق‌تر عمل کرد و در مرحله بعد، الگو‌های خواب افراد با سوابق پزشکی بلندمدت آنها تلفیق شد.

به این ترتیب، این سامانه با بررسی داده‌های خواب و سوابق بیماری افراد که برای برخی تا ۲۵ سال پیگیری شد، موفق شد ۱۳۰ بیماری را تنها از روی الگو‌های خواب افراد، پیش‌بینی‌پذیر کند.

دقت پیش‌بینی مدل در بیماری‌هایی، چون پارکینسون (۸۹ درصد)، زوال عقل (۸۵ درصد)، سرطان پروستات (۸۹ درصد)، سرطان سینه (۸۷ درصد) و حمله قلبی (۸۱ درصد) به حدی بود که حتی از برخی ابزار‌های پیش‌بینی کنونی مورد استفاده در کلینیک‌ها نیز موفق‌تر عمل کرد.

گام بعدی پژوهشگران، توسعه روش‌هایی برای تفسیر تصمیمات این هوش مصنوعی است. چشم‌انداز نهایی، ادغام این فناوری با داده‌های دستگاه‌های پوشیدنی مانند ساعت‌های هوشمند است تا پایش سلامت، کاملاً شخصی و همگانی شود.