{"id":703083,"date":"2026-01-08T16:59:10","date_gmt":"2026-01-08T16:59:10","guid":{"rendered":"https:\/\/www.europesays.com\/de\/703083\/"},"modified":"2026-01-08T16:59:10","modified_gmt":"2026-01-08T16:59:10","slug":"sleepfm-ki-modell-sagt-krankheitsrisiken-auf-basis-von-schlafdaten-vorher","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/de\/703083\/","title":{"rendered":"SleepFM: KI-Modell sagt Krankheitsrisiken auf Basis von Schlafdaten vorher"},"content":{"rendered":"
    \n
  1. \n

    SleepFM: KI-Modell sagt Krankheitsrisiken auf Basis von Schlafdaten vorher<\/p>\n<\/li>\n<\/ol>\n

    close notice<\/p>\n

    \n This article is also available in
    \n English<\/a>.<\/p>\n

    It was translated with technical assistance and editorially reviewed before publication.\n <\/p>\n

    \n Don\u2019t show this again.\n<\/p>\n

    Wissenschaftler der Stanford University haben ein neues, multimodales KI-Modell namens \u201eSleepFM\u201c entwickelt. Dieses \u201eFoundation Model\u201c nutzt riesige Datens\u00e4tze von Schlafaufzeichnungen, um nicht nur den aktuellen Schlafzustand zu analysieren, sondern das Risiko f\u00fcr die Entstehung von \u00fcber 130 verschiedenen medizinischen Erkrankungen vorherzusagen. Die in Nature Medicine ver\u00f6ffentlichte Studie zeigt auf, dass Schlafmessungen weit \u00fcber die Diagnose von Schlafst\u00f6rungen hinaus als wertvolles Instrument f\u00fcr eine allgemeine Gesundheitsbewertung dienen k\u00f6nnen.<\/p>\n

    Weiterlesen nach der Anzeige<\/p>\n

    Training einer KI auf die \u201eSprache des Schlafs\u201c<\/p>\n

    In der medizinischen Fachwelt gilt die Polysomnographie (PSG) als Goldstandard der Schlafbeurteilung. Eine PSG-Aufzeichnung enth\u00e4lt verschiedene Signale wie Herzaktivit\u00e4t (Elektrokardiogramm; EKG), Hirnstr\u00f6me (Elektroencephalographie; EEG), Muskelbewegungen (Elektromyographie; EMG) und Atemwerte. Aufgrund der Komplexit\u00e4t und Menge dieser Daten befassten sich bisherige Untersuchungen meist lediglich mit der manuellen Auswertung von Schlafphasen oder der Identifizierung spezifischer Ereignisse wie Atemaussetzern.<\/p>\n

    Um die riesige Menge an Daten auszuwerten, w\u00e4hlten die Wissenschaftler in ihrer Studie<\/a> einen Ansatz, der modernen Sprachmodellen \u00e4hnelt, die die Grundlage f\u00fcr KI-Anwendungen wie ChatGPT sind. W\u00e4hrend gro\u00dfe Sprachmodelle lernen, wie W\u00f6rter in S\u00e4tzen zusammenh\u00e4ngen, wurde SleepFM mit \u00fcber 585.000 Stunden PSG-Daten von mehr als 65.000 Personen trainiert. Dadurch lernte das Modell die grundlegende \u201ePhysiologie des Schlafs\u201c.<\/p>\n

    \u00dcberpr\u00fcfung grundlegender Schlaffunktionen<\/p>\n

    Bevor die Forscher die Krankheitsrisiken untersuchten, validierten sie SleepFM an klassischen Aufgaben der Schlafmedizin. Dabei zeigte sich, dass die KI bei der automatischen Bestimmung von Schlafphasen eine Genauigkeit erreicht, die mit spezialisierten Expertenmodellen vergleichbar ist. Zudem ist das Modell in der Lage, das biologische Alter einer Person mit einer durchschnittlichen Abweichung von nur etwa 7,33 Jahren allein aus den Schlafdaten zu sch\u00e4tzen. Auch die Erkennung von Atemaussetzern wurde durch das Modell mit einer Genauigkeit von bis zu 87 Prozent erkannt.<\/p>\n

    Weiterlesen nach der Anzeige<\/p>\n

    Vorhersage von Krankheiten und Sterblichkeitsrisiko<\/p>\n

    Die beeindruckendste F\u00e4higkeit von SleepFM liegt jedoch in der Langzeitprognose. Das Modell konnte anhand der Daten einer einzigen Nacht vorhersagen, ob ein Patient innerhalb der n\u00e4chsten Jahre bestimmte Krankheiten entwickeln wird. Zur Messung nutzen Forscher den sogenannten \u201eC-Index\u201c; ein Standardma\u00df f\u00fcr die Vorhersagekraft. In der medizinischen Forschung gilt ein C-Index von 0,70 bis 0,80 als \u201egut\u201c und alles \u00fcber 0,80 als \u201esehr gut\u201c bis \u201eexzellent\u201c (Ein Wert von 1,0 ist ein perfektes Ergebnis).<\/p>\n

    \u201eSleepFM\u201c konnte mit hoher Genauigkeit viele verschiedene Erkrankungen (unter anderem Herz-Kreislauf-Erkrankungen, Demenzerkrankungen, Krebserkrankungen, Stoffwechselerkrankungen) innerhalb der n\u00e4chsten 6 Jahre nach der Schlafmessung berechnen.<\/p>\n

    Besonders gut war das Modell unter anderem in der Vorhersage von Alzheimer (0,91), Prostatakrebs (0,89), Herzversagen (0,97), Diabetes (0,87), sowie auch allgemeinem Sterblichkeitsrisiko (0,84).<\/p>\n

    Ein zentrales Ergebnis der Studie: SleepFM \u00fcbertrifft herk\u00f6mmliche Vorhersagemodelle, die lediglich auf Daten wie Alter, Geschlecht und Body-Mass-Index (BMI) basieren, deutlich. Das bedeutet, dass im Schlaf verborgene physiologische Muster existieren, die weitaus pr\u00e4ziser \u00fcber den Gesundheitszustand Auskunft geben als klassische medizinische Kennzahlen.<\/p>\n

    \u00dcberwindung von fehlender Datenstandardisierung in der Schlafmedizin<\/p>\n

    Eine der gr\u00f6\u00dften Herausforderungen bei der Analyse von Schlafdaten ist die mangelnde Datenstandardisierung bei der PSG. Verschiedene Kliniken verwenden eine unterschiedliche Anzahl von Sensoren und verschiedene Aufzeichnungseinstellungen. SleepFM verwendet eine\u201ekanal-agnostische\u201c Architektur und einen neuartigen \u201eLeave-one-out\u201c-Ansatz f\u00fcr das KI-Training, bei dem verschiedene Signale der PSG (Herz, Gehirn, Atmung) verwendet werden. Dadurch kann das Modell auch dann zuverl\u00e4ssige Ergebnisse liefern, wenn einzelne Sensoren fehlen oder die Datenqualit\u00e4t schwankt.<\/p>\n

    Um die Zuverl\u00e4ssigkeit des Modells zu untersuchen, testeten die Forscher SleepFM auch an v\u00f6llig neuen Datens\u00e4tzen, die nicht im Training enthalten waren. Auch hier blieb die Vorhersagekraft stabil, was zeigt, dass das Modell in verschiedenen Umgebungen einsetzbar ist.<\/p>\n

    M\u00f6gliche Bedeutung f\u00fcr die Pr\u00e4ventivmedizin<\/p>\n

    In Schlafmessungen k\u00f6nnen also viele wertvolle Daten f\u00fcr den allgemeinen Gesundheitszustand und Krankheitsrisiken erhoben werden, die nun auch mittels KI interpretiert werden k\u00f6nnen. In Zukunft k\u00f6nnten Schlafstudien daher beispielsweise f\u00fcr die routinem\u00e4\u00dfige Gesundheitsvorsorge verwendet werden. Durch das Erkennen fr\u00fcher \u201eWarnsignale\u201c f\u00fcr Demenz, Herz-Kreislauf-Erkrankungen oder Krebs k\u00f6nnten rechtzeitig Abkl\u00e4rungen erfolgen, m\u00f6glicherweise Jahre bevor Symptome auftreten.<\/p>\n

    Mit der Weiterentwicklung von Wearables (wie Smartwatches) k\u00f6nnten die die Erkenntnisse aus KI-Modellen wie SleepFM in Zukunft sogar den Weg aus dem Schlaflabor in den Alltag finden. Dies w\u00fcrde eine kontinuierliche, nicht-invasive Gesundheits\u00fcberwachung erm\u00f6glichen.<\/p>\n

    Die Wissenschaftler kommen zu dem Schluss, dass ihr Ansatz einen skalierbaren Weg aufzeigt zu einer personalisierten, pr\u00e4ventiven Gesundheitsversorgung, bei dem Schlaf als Grundlage zur Beurteilung von Krankheitsrisiken verwendet werden kann.<\/p>\n

    (mack<\/a>)<\/p>\n

    \n Dieser Link ist leider nicht mehr g\u00fcltig.\n <\/p>\n

    Links zu verschenkten Artikeln werden ung\u00fcltig,
    \n wenn diese \u00e4lter als 7\u00a0Tage sind oder zu oft aufgerufen wurden.\n <\/p>\n

    Sie ben\u00f6tigen ein heise+ Paket, um diesen Artikel zu lesen. Jetzt eine Woche unverbindlich testen \u2013 ohne Verpflichtung!<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"SleepFM: KI-Modell sagt Krankheitsrisiken auf Basis von Schlafdaten vorher close notice This article is also available in English.…\n","protected":false},"author":2,"featured_media":703084,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[137],"tags":[29,11049,30,141,232,12226,162259,55],"class_list":{"0":"post-703083","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-gesundheit","8":"tag-deutschland","9":"tag-digital-health","10":"tag-germany","11":"tag-gesundheit","12":"tag-health","13":"tag-schlaf","14":"tag-sleepfm","15":"tag-wirtschaft"},"share_on_mastodon":{"url":"","error":""},"_links":{"self":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/posts\/703083","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/comments?post=703083"}],"version-history":[{"count":0,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/posts\/703083\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/media\/703084"}],"wp:attachment":[{"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/media?parent=703083"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/categories?post=703083"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.europesays.com\/de\/wp-json\/wp\/v2\/tags?post=703083"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}