Peneliti di Stanford Medicine bekerja sama dengan sejumlah institusi telah memanfaatkan kecerdasan buatan untuk menganalisis data tidur manusia dan mendeteksi potensi risiko penyakit di masa mendatang. Pendekatan ini dianggap sebagai terobosan karena AI mampu mengungkap pola-pola fisiologi yang selama ini luput dari pengamatan klinis konvensional, membuka peluang baru dalam deteksi dini penyakit serius.
Model AI yang dikembangkan, SleepFM, dirancang khusus untuk memproses hasil rekaman polysomnography (PSG)—suatu studi medis yang mencatat secara detail aktivitas tubuh selama tidur. PSG sendiri merekam berbagai parameter sekaligus seperti gelombang otak, pola napas, gerakan mata, aktivitas otot, ritme jantung, hingga kadar oksigen dalam darah.
Cara Kerja SleepFM Membaca Bahasa Tubuh Saat Tidur
SleepFM tidak hanya berfokus pada gangguan tidur semata. Model ini memperlakukan seluruh sinyal fisiologis yang terekam sebagai satu dataset terintegrasi. Proses analisisnya sangat canggih, yaitu dengan membagi rekaman tidur menjadi potongan-potongan berdurasi lima detik. Setiap segmen dianalisis AI untuk menemukan pola unik, mirip cara model bahasa besar mengenali struktur kalimat dalam teks.
Seluruh proses analisis SleepFM didukung dataset tidur terbesar yang pernah dikumpulkan, yakni sekitar 585.000 jam tidur dari 65.000 individu. Skala ini memungkinkan model untuk menangkap variasi kondisi medis dan fisiologis yang sangat beragam, meningkatkan keakuratan deteksi dan prediksi.
Pelatihan Model AI Lintas Sistem Tubuh
Keunggulan utama SleepFM terletak pada kemampuannya menggabungkan data dari berbagai sistem tubuh sekaligus. AI ini mampu memproses aktivitas otak, gerak otot, pola napas, dan parameter lain secara bersamaan. Dengan cara tersebut, SleepFM dapat mengidentifikasi kapan sinyal fisiologis dari berbagai sistem tubuh mulai tidak sinkron saat tidur—a subtle shift yang bisa menjadi petunjuk awal adanya masalah kesehatan.
Proses pelatihannya menggunakan metode leave-one-out contrasting learning. Teknik ini menghapus salah satu sinyal dari data, kemudian melatih AI untuk merekonstruksi sinyal yang hilang hanya dari parameter lain. Pendekatan inovatif ini membuat SleepFM mampu memahami keterkaitan dinamis antar organ dan sistem tubuh.
Memprediksi Risiko Penyakit Bertahun-Tahun Sebelumnya
SleepFM tidak hanya sebatas mendeteksi gangguan tidur. Dengan menggabungkan data rekam medis dari klinik dengan data tidur, para peneliti menguji kemampuan AI ini untuk meramalkan lebih dari 130 kondisi medis. Termasuk di dalamnya penyakit neurodegeneratif seperti demensia dan Parkinson, kanker, hingga serangan jantung.
Akurasi prediksi AI ini sangat tinggi. SleepFM berhasil mencapai skor C-index di atas 0,8, yang artinya mampu memprediksi kondisi pasien dengan lebih dari 8 dari 10 kemungkinan benar. Pencapaian ini menandai kemajuan signifikan dalam prognostik medis yang berbasis data fisiologi non-invasif.
Manfaat untuk Deteksi Dini dan Personalized Medicine
Kemampuan mendeteksi perubahan fisiologis sejak dini berpotensi merubah paradigma deteksi penyakit. Berikut adalah manfaat utama dari teknologi SleepFM:
- Mendeteksi risiko penyakit secara non-invasif.
- Memberikan prediksi berbasis data tidur rutin, sehingga mudah diintegrasikan dengan kebiasaan sehari-hari.
- Mendukung pencegahan dengan intervensi yang lebih cepat, terutama pada penyakit yang kemunculannya berlangsung perlahan.
- Membantu pengembangan metode pengobatan yang lebih personal.
Para peneliti juga sedang mengembangkan SleepFM agar kompatibel dengan data dari perangkat wearable, sehingga pemantauan kesehatan bisa dilakukan secara berkelanjutan di lingkungan rumah.
Inovasi berbasis AI ini memperkuat posisi tidur sebagai indikator penting dalam kesehatan manusia luas. Studi ini memberikan gambaran baru bahwa tidur tak hanya sekadar waktu istirahat, tapi juga menjadi jendela utama untuk membaca risiko kesehatan di masa depan dengan akurasi yang belum pernah dicapai sebelumnya.
