KI News: Kurz und klar.

Die Einführung von SleepMaMi markiert einen bedeutenden Fortschritt in der Schlafmedizin. Während bisherige Modelle meist auf spezifische Aufgaben beschränkt waren und sich auf lokale Mikrostrukturen konzentrierten, integriert SleepMaMi sowohl die globalen Makrostrukturen einer kompletten Nachtruhe als auch die feinen Signalmerkmale aus Polysomnographien (PSG).

Ein interdisziplinäres Team der Stanford University Medical School hat mit SleepFM Clinical ein bahnbrechendes multimodales Schlafmodell vorgestellt, das aus einer einzigen Nacht klinischer Polysomnographie langfristige Krankheitsrisiken vorhersagen kann.

Ein neues Forschungsprojekt aus Stanford liefert die erste umfassende Plattform, um Schlafmodelle mit Polysomnographie (PSG) zu trainieren und zu testen. Die Stanford Sleep Bench umfasst mehr als 17.000 Aufzeichnungen, die über 163.000 Stunden klinischer Schlafdaten aus einer großen Schlafklinik zusammenfassen. Damit entsteht ein einzigartiger Datensatz, der 13 verschiedene Krankheitsvorhersageaufgaben sowie klassische Schlafaufgaben wie Schlafstadienbestimmung, Apnoe-Diagnose und Altersabschätzung abdeckt.

Die manuelle Schlafstadienklassifikation aus Polysomnographie (PSG) ist nicht nur zeitaufwendig, sondern auch von einer hohen Inter-Scorer-Variabilität geprägt. Obwohl moderne Deep‑Learning‑Modelle bereits Fortschritte bei der automatisierten Analyse erzielt haben, nutzen sie meist ausschließlich die rohen PSG‑Signale und vernachlässigen die kontextuellen Hinweise, die menschliche Experten bei ihrer Bewertung berücksichtigen.