Tyrėjai iš Sinajaus kalno ICAHN medicinos mokyklos, JAV, pristatė AI miego analizės įrankį, skirtą apdoroti išsamius nakties miego duomenis.
Remiantis JAV ligoninių tinklo, naujojo „Patch“ pagrindinio „Sleep“ (PFTSLEEP) modelio „PlatS Foundational“ modelis buvo apmokytas daugiau nei milijoną valandų miego, pažymėdamas jį kaip vieną iš „didžiausių“ tyrimų šioje srityje.
„PftSleep“ panaudoja transformatorių pagrįstą AI modelį, kad „analizuotų“ aštuonių valandų miego signalus, įskaitant smegenų bangas, širdies ritmą, kvėpavimo modelius ir raumenų aktyvumą.
Šis metodas leidžia įrankiui sukurti išsamias santraukas ir suskirstyti miego etapus visą naktį.
Sinajaus kalnas teigia, kad dabartiniai miego analizės metodai dažnai priklauso nuo žmonių ekspertų rankinio įvertinimo ar AI modelių, kurie negali išanalizuoti viso nakties miego.
Tačiau PFTSLOEP modelyje naudojamas didelis miego tyrimų duomenų rinkinys ir leidžia atlikti „standartizuotą“ ir „keičiamą“ metodą miego ir klinikinės reikmėms tyrimams, teigiama tyrėjams.
Modelis yra mokomas per savarankiškumą-tai metodas, padedantis mokytis klinikinių požymių iš fiziologinių signalų, nepasikliaujant žmogaus paženklintais rezultatais.
Įvairiuose nustatymuose modelis teigia, kad naktį miego modeliai aptinka.
ICAHN Medicinos mokyklos AI ir kylančių technologijų mokymo sritis PhD kandidatas Benjaminas Foxas sakė: „Tai yra žingsnis į priekį atliekant AI-asistentuotą miego analizę ir interpretaciją.
„Tokiu būdu pasitelkdami AI, mes galime išmokti atitinkamų klinikinių ypatybių tiesiogiai iš miego tyrimo signalo duomenų ir naudoti juos miego taškams ir ateityje kitoms klinikinėms reikmėms, tokioms kaip miego apnėjos aptikimas arba įvertinti riziką sveikatai, susijusią su miego kokybe“.
Nors AI įrankis reiškia reikšmingą pažangą, tyrėjai pabrėžia, kad jis skirtas palaikyti, o ne pakeisti miego specialistų kompetenciją.
Kitas tyrimų etapas bus sutelktas į modelio galimybių išplėtimą, įtraukiant miego sutrikimų nustatymą ir sveikatos rezultatų numatymą.
