Neues KI-Modell prognostiziert Krankheitsrisiko im Schlaf
TLDR: Wenn deine Smartwatch schon deine Schritte zählt, warum sollte dann nicht auch dein Bett zum Gesundheits-Orakel werden? Forscher:innen der Stanford Medicine haben mit SleepFM ein KI-Modell entwickelt, das aus einer einzigen Nacht Schlaf über 100 Gesundheitsrisiken vorhersagen kann. Die Trefferquote bei Krankheiten wie Krebs oder Herz-Kreislauf-Erkrankungen liegt bei beeindruckenden 80-89%. Das klingt nach Science-Fiction, basiert aber auf einer simplen Erkenntnis: Während wir schlafen, erzählt unser Körper Geschichten – und jetzt gibt es endlich jemanden, der zuhört.
Stell dir vor, du gehst schlafen, und während du träumst, analysiert ein System im Hintergrund deine Gehirnwellen, deinen Herzschlag, deine Atmung und deine Augenbewegungen. Klingt nach Überwachungsstaat? Willkommen in der modernen Schlafmedizin. Seit Jahrzehnten sammeln Schlafkliniken diese Daten durch Polysomnographie – eine umfassende Schlafanalyse, bei der Patient:innen verkabelt wie ein Weihnachtsbaum eine Nacht im Labor verbringen.
Das Problem: Von diesen Datenbergen wurde bisher nur ein Bruchteil genutzt. Emmanuel Mignot, Craig Reynolds Professor in Sleep Medicine an der Stanford Medicine, bringt es auf den Punkt: "Wir erfassen eine erstaunliche Anzahl von Signalen, wenn wir Schlaf untersuchen. Es ist eine Art allgemeine Physiologie, die wir acht Stunden lang bei einem vollkommen 'gefangenen' Probanden studieren. Das ist extrem datenreich."
Die Forscher:innen um Mignot und James Zou, Associate Professor für Biomedical Data Science, haben nun ein KI-Modell entwickelt, das diese Datenschätze endlich hebt. SleepFM wurde mit fast 600'000 Stunden Schlafdaten von 65'000 Teilnehmer:innen trainiert – das entspricht etwa 68 Jahren Dauerschlaf.
Die Sprache des Schlafes entschlüsseln
SleepFM ist ein sogenanntes Foundation Model, vergleichbar mit ChatGPT – nur dass es statt Text die "Sprache des Schlafes" lernt. Die Daten werden in Fünf-Sekunden-Abschnitte unterteilt, die wie Wörter in einem Satz funktionieren. "SleepFM lernt im Wesentlichen die Sprache des Schlafes", erklärt James Zou.
Die technische Innovation liegt in einer neuen Trainingsmethode namens "leave-one-out contrastive learning". Dabei wird dem Modell eine Datenmodalität vorenthalten – beispielsweise das EKG – und es muss das fehlende Puzzleteil anhand der anderen Signale rekonstruieren. So lernt das System, wie die verschiedenen Körpersignale zusammenhängen: Was macht das Herz, wenn das Gehirn in die Tiefschlafphase eintritt? Wie verändert sich die Atmung, wenn die Augenbewegungen im REM-Schlaf zunehmen?
Diese Fähigkeit, multiple Datenströme zu harmonisieren, unterscheidet SleepFM von bisherigen Ansätzen. Während frühere Modelle meist nur einzelne Aspekte wie Schlafstadien oder Schlafapnoe analysierten, betrachtet SleepFM das gesamte physiologische Orchester während des Schlafs.
-WERBUNG-
Es braucht mehr Menschen die KI wirklich verstehen und gut einsetzen können, nicht noch mehr KI Trainer:Innen aber Menschen wie Du und ich die Digitalisierung als Werkzeug und Mittel für das Gute sehen, darum haben wir das KI Update gegründet, immer kostenlos, montags, auf Zoom mit Janet Zentel, Fabian Zentel und mir:
https://www.linkedin.com/embeds/publishingEmbed.html?articleId=8966440112652618693&li_theme=light
Vom Schnarchtest zum Krankheits-Orakel
Die Forscher:innen testeten SleepFM zunächst an Standardaufgaben der Schlafanalyse – Klassifizierung von Schlafphasen, Diagnose von Schlafapnoe. Das Modell performte mindestens so gut wie die derzeit besten Systeme, teilweise sogar besser. Doch dann wagten sie sich an die grosse Herausforderung: Kann man aus Schlafdaten zukünftige Krankheiten vorhersagen?
Hier kam ihnen ein aussergewöhnlicher Umstand zugute: Das Stanford Sleep Medicine Center wurde 1970 von William Dement gegründet, weithin als Vater der Schlafmedizin anerkannt. Die Klinik verfügt über mehr als ein halbes Jahrhundert Gesundheitsdaten von Patient:innen, deren Schlaf untersucht wurde. Für die Studie konnten die Forscher:innen auf Daten von 35'000 Patient:innen zwischen 2 und 96 Jahren zugreifen, mit Nachbeobachtungszeiten von bis zu 25 Jahren.
SleepFM analysierte über 1'000 Krankheitskategorien und identifizierte 130, die sich mit angemessener Genauigkeit aus den Schlafdaten vorhersagen liessen. Besonders stark waren die Vorhersagen bei Krebserkrankungen, Schwangerschaftskomplikationen, Kreislauferkrankungen und psychischen Störungen.
Die Zahlen sprechen eine klare Sprache
Die Forscher:innen messen die Vorhersagekraft ihres Modells mit dem sogenannten Konkordanz-Index (C-Index). Vereinfacht gesagt: Wenn man zwei beliebige Personen aus einer Gruppe nimmt, sagt der C-Index, wie oft das Modell korrekt vorhersagt, wer von beiden zuerst erkranken wird. Ein C-Index von 0,8 bedeutet: In 80% der Fälle liegt das Modell richtig.
Die Ergebnisse sind beeindruckend: Parkinson-Krankheit lässt sich mit einem C-Index von 0,89 vorhersagen, Demenz mit 0,85, hypertensive Herzerkrankungen mit 0,84, Herzinfarkt mit 0,81. Bei Krebserkrankungen erreichte SleepFM einen C-Index von 0,89 für Prostatakrebs und 0,87 für Brustkrebs. Selbst das Sterberisiko lässt sich mit 0,84 prognostizieren.
"Wir waren angenehm überrascht, dass das Modell für eine ziemlich diverse Gruppe von Erkrankungen informative Vorhersagen treffen kann", kommentiert James Zou. Zum Vergleich: Modelle mit einem C-Index um 0,7, wie sie zur Vorhersage des Ansprechens auf Krebstherapien verwendet werden, haben sich bereits als klinisch nützlich erwiesen.
Wenn der Körper aus dem Takt gerät
Was genau "sieht" das Modell in den Daten? Die Forscher:innen arbeiten noch daran, die Interpretationen des Modells vollständig zu verstehen. "Es erklärt uns das nicht auf Deutsch", sagt Zou. "Aber wir haben verschiedene Interpretationstechniken entwickelt, um herauszufinden, worauf das Modell schaut, wenn es eine bestimmte Krankheitsvorhersage macht."
Ein faszinierendes Muster hat sich bereits abgezeichnet: Während Herzsignale erwartungsgemäss stärker in Herzerkrankungsvorhersagen einfliessen und Gehirnsignale prominenter bei psychischen Erkrankungen sind, lieferte die Kombination aller Datenmodalitäten die genauesten Prognosen.
Emmanuel Mignot beschreibt es so: "Die meisten Informationen zur Krankheitsvorhersage erhielten wir durch den Kontrast der verschiedenen Kanäle." Körpersysteme, die nicht synchron laufen – ein Gehirn, das schläft, während das Herz wach wirkt – scheinen Probleme anzukündigen. Der Körper als Orchester, in dem jedes Instrument seinen Part spielen muss – und Disharmonie auf Krankheit hindeutet.
Die nächsten Schritte: Vom Labor ans Handgelenk
Das Team arbeitet bereits an Verbesserungen. Eine naheliegende Erweiterung: Integration von Daten aus Wearables wie Smartwatches. Während Polysomnographie der Goldstandard bleibt, ist sie aufwendig und teuer. Wenn SleepFM auch mit den simpleren Daten von Consumer-Geräten arbeiten könnte, würde sich das Präventionspotenzial vervielfachen.
Die Studie, die am 6. Januar 2025 in Nature Medicine veröffentlicht wurde, ist erst der Anfang. Die Forscher:innen betonen, dass selbst Modelle mit geringerer Genauigkeit bereits klinisch wertvoll sein können – nicht als definitive Diagnose, sondern als Frühwarnsystem.
Stell dir vor, deine Smartwatch könnte dich nicht nur an Bewegungspausen erinnern, sondern auch subtile Muster erkennen, die auf ein erhöhtes Krebsrisiko hindeuten – Jahre bevor erste Symptome auftreten. Die Zeit zwischen dieser Warnung und dem tatsächlichen Ausbruch einer Krankheit könnte für präventive Massnahmen genutzt werden: Lebensstiländerungen, engmaschigere Vorsorgeuntersuchungen, frühzeitige Interventionen.
Eine demokratischere Gesundheitsvorsorge?
Die Implikationen gehen über individuelle Gesundheit hinaus. Derzeit haben nur Menschen mit spezifischen Schlafbeschwerden Zugang zu Polysomnographie. Wenn die Technologie sich weiterentwickelt und in bezahlbare Geräte integriert wird, könnte präventive Gesundheitsüberwachung einem viel breiteren Publikum zugänglich werden.
Gleichzeitig wirft diese Entwicklung Fragen auf: Wollen wir wirklich wissen, welche Krankheiten uns möglicherweise in 10 oder 20 Jahren erwarten? Wie gehen wir mit der psychischen Belastung solcher Vorhersagen um? Und wer hat Zugriff auf diese sensiblen Daten?
Die Forscher:innen der Stanford Medicine haben mit SleepFM gezeigt, dass in den Routinedaten, die wir bereits sammeln, noch ungenutzte Erkenntnisse schlummern. Während wir schlafen, arbeitet unser Körper – und jetzt haben wir ein Werkzeug, das diese nächtliche Arbeit in verwertbare Gesundheitsinformationen übersetzt.
Die Geschichte von SleepFM erinnert uns daran, dass Innovation oft nicht darin besteht, neue Daten zu sammeln, sondern vorhandene Daten klüger zu nutzen. Fünfzig Jahre Schlafdaten lagen in Stanford bereit – es brauchte nur die richtige Technologie und die richtigen Fragen, um daraus ein potenziell lebensrettendes Werkzeug zu entwickeln.
Fragen zu KI und Digitalen Geschäftsmodellen? #fragRoger
Willst du mehr wissen? Sehr gerne komme ich auch bei Dir, bei deiner Firma, deiner ERFA Gruppe oder deinem Verband vorbei und helfe mit einem Workshop oder Input Referat.
Lass uns gerne mal unverbindlich sprechen. Also wenn ich helfen kann, wende dich gerne an mich #fragRoger und abonnier meinen offiziellen Newsletter: www.FragRoger.social und meinem Podcast
https://www.linkedin.com/embeds/publishingEmbed.html?articleId=8765634960983183282&li_theme=light
Disclaimer: dieser Artikel wurde nach meinem eigenen Wissen und dann mit Recherchen mit KI (Perplexity.Ai und Gemini.Google.com) manuell zusammen gestellt und mit Deepl.com/write vereinfacht. Der Text wird dann nochmals von zwei Personen meiner Wahl gelesen und kritisch hinterfragt. Das Bild stammt jeweils von einem KI Programm (Ideogram oder Adobe Firefly) und ist selbst erstellt. Dieser Artikel ist rein edukativ und erhebt keinen Anspruch auf Vollständigkeit. Bitte melde dich, wenn Du Ungenauigkeiten feststellst, danke.
Quellen und weitere Informationen:
Bai, N. (2026, January 2). New AI model predicts disease risk while you sleep. Stanford Report. https://med.stanford.edu/news/all-news/2026/01/ai-sleep-disease.html
Thapa, R., Kjaer, M. R., Mignot, E., & Zou, J. (2025). SleepFM: Multi-modal representation learning for sleep across brain activity, ECG and respiratory signals. Nature Medicine. https://arxiv.org/abs/2405.17766
