Written by Konuk Yazarlar• 08 Ocak 2026• 00:54• LLM, Sağlık, Teknoloji

Uykuda Geleceği Okuyan Yapay Zeka: SleepFM Tek Gecede Hastalık Riski Tahmin Ediyor

Stanford Medicine ve işbirlikçileri, bir gecelik polisomnografi kayıtlarından 100’den fazla sağlık durumunun gelecekteki riskini tahmin edebilen yeni bir yapay zeka modeli geliştirdi. SleepFM adlı model, yaklaşık 585.000 saatlik uyku verisi ve 65.000 katılımcı üzerinde eğitildi; veriler beyin, kalp, solunum ve kas aktiviteleri gibi birçok sensörden geliyor. Araştırmacılar modeli uzun yıllara yayılan elektronik sağlık kayıtlarıyla eşleştirerek 1.000’den fazla hastalık kategorisinden 130 tanesini makul doğrulukla öngörebildiklerini buldu. Model özellikle Parkinson, demans, bazı kanser türleri ve dolaşım sistemi bozuklukları gibi durumlarda yüksek C-index değerleri gösterdi; çalışma Nature Medicine’da yayımlandı.

SleepFM adı verilen model, polisomnografi ile kaydedilen çok kanallı uyku verilerini temel alan bir foundation modeli olarak tasarlandı. Araştırmacılar yaklaşık 585.000 saatlik, 65.000 kişiye ait veriyi beşer saniyelik parçalara bölerek eğitti; bu parçalar, LLM’lerdeki kelimelere benzer biçimde modelin ‘uyku dilini’ öğrenmesini sağladı. Çoklu veri akışlarını (EEG, EKG, EMG, solunum, nabız vb.) aynı anda işleyebilmek için araştırma ekibi yeni bir eğitim tekniği — leave-one-out contrastive learning — geliştirdi; bu yöntem bir veri modülünü gizleyip modelin diğer kanallar üzerinden onu yeniden oluşturmasını sağlamaya çalışıyor.

Eğitimin ardından SleepFM, hem standart uyku analiz görevlerinde hem de gelecekteki hastalık başlangıçlarını tahmin etmede test edildi. Stanford Sleep Medicine Center’ın uzun dönem sağlık kayıtlarıyla eşleştirilen veriler kullanıldığında model 1.000’den fazla hastalık kategorisini tarayıp 130’unun makul doğrulukla tahmin edilebildiğini gösterdi; Parkinson (C-index 0.89), demans (0.85), hipertansif kalp hastalığı (0.84), kalp krizi (0.81), prostat kanseri (0.89) ve meme kanseri (0.87) gibi örneklerde güçlü performans elde edildi. Araştırmacılar modelin hangi sinyalleri kullandığını daha iyi anlamak için yorumlama yöntemleri geliştiriyor ve gelecekte veriye giyilebilir cihazlardan ek akışlar katma gibi iyileştirmeler planlıyorlar.