Een multimodaal slaap-foundationmodel voor ziektevoorspelling

Waarom een nacht slaap uw toekomstige gezondheid kan onthullen

Wanneer u in een kliniek gaat slapen terwijl u aan monitoren ligt, leggen die kronkelende lijnen op het scherm veel meer vast dan snurken of onrustige benen. Deze studie toont aan dat één nacht van gedetailleerde slaapregistratie kan werken als een kristallen bol voor toekomstige gezondheid. Door een krachtig kunstmatig intelligentiesysteem te trainen met honderden duizenden uren slaapgegevens, vonden onderzoekers dat onze slaap verborgen aanwijzingen bevat over risico’s op dementie, hartaandoeningen, nierproblemen, kanker en zelfs voortijdig overlijden—jaren voordat deze ziekten zichtbaar worden.

Luisteren naar het lichaam tijdens de slaap

Slaaplabs gebruiken een test die polysomnografie heet, waarbij sensoren op de schedel, het gezicht, de borst en de benen hersengolven, oogbewegingen, hartslag, ademhaling en spierspanning tijdens de nacht registreren. Deze tests worden beschouwd als de gouden standaard voor het begrijpen van slaap, maar ze genereren enorme, complexe datastrings die moeilijk volledig door menselijke experts te interpreteren zijn. De meeste eerdere onderzoeken hebben zich op slechts één probleem tegelijk gericht—zoals apneu of narcolepsie—en vaak vertrouwd op tijdrovende handmatige scoring. Daardoor is het diepere verhaal dat in de volledige mix van signalen verborgen ligt grotendeels onbenut gebleven.

Het AI leren van de taal van slaap

De auteurs bouwden een "foundationmodel" genaamd SleepFM, waarbij ze ideeën ontleenden aan grote taalmodellen die leren van enorme hoeveelheden tekst. In plaats van woorden en zinnen leert SleepFM van rauwe sleepsignalen. Het werd getraind op meer dan 585.000 uur nachtregistraties van meer dan 65.000 mensen, verzameld in verschillende slaapcentra en bevolkingsstudies. Het model neemt korte slices van vijf seconden van hersen-, hart-, ademhalings- en spiersignalen op en combineert die vervolgens met aandacht-gebaseerde neurale netwerken die met verschillende sensorconfiguraties in verschillende ziekenhuizen kunnen omgaan. Tijdens het trainen leert het zichzelf informatie over deze signaaltypen op elkaar af te stemmen en ontwikkelt het een gedeelde interne representatie van hoe gezonde en ongezonde slaap eruitzien, zonder menselijke labels nodig te hebben.

Van één nacht naar veel mogelijke diagnoses

Zodra het getraind was, werden SleepFM’s interne "slaapvingerafdrukken" gekoppeld aan elektronische patiëntendossiers om te onderzoeken of ze later ziektes konden voorspellen. De onderzoekers bekeken meer dan 1.000 aandoeningen en vroegen voor elke patiënt of één enkele nachtstudie kon voorspellen wie jaren later een ziekte zou ontwikkelen. SleepFM voorspelde betrouwbaar 130 verschillende diagnoses met sterke nauwkeurigheid, waaronder sterfte door welke oorzaak dan ook, dementie, hartfalen, beroerte, chronische nierziekte en meerdere vormen van kanker. Voor sommige aandoeningen, zoals de ziekte van Parkinson, dementie en ernstige hartproblemen, benaderde of overtrof de prestatie die van gespecialiseerde hulpmiddelen op basis van hersenscans of hartopnames.

Hoe sleepsignalen samenhangen met hersen, hart en meer

Door te kijken welke delen van de nacht en welke sensoren het meest van belang waren, vonden het team patronen die biologisch gezien logisch zijn. Hersengolf- en oogbewegingssignalen bleken bijzonder nuttig voor het voorspellen van neurologische en mentale stoornissen, in overeenstemming met bewijs dat veranderingen in diepe slaap en REM-slaap vaak Alzheimer en Parkinson voorafgaan. Ademhalings- en zuurstofsignalen waren informatiever voor respiratoire en metabole aandoeningen, terwijl hartritme-sporen extra gewicht droegen voor circulatoire ziekten zoals hartfalen en beroerte. Hoewel elk signaaltype iets bijdroeg, kwamen de beste voorspellingen uit de combinatie ervan, wat suggereert dat veel ziekten subtiele vingerafdrukken achterlaten over het hele slapende lichaam.

Robuuste resultaten tussen klinieken en in de loop van de tijd

Om te testen of SleepFM buiten de oorspronkelijke instellingen zou werken, pasten de onderzoekers het toe op een onafhankelijke studie van meer dan 6.000 oudere volwassenen die niet bij de eerste training waren gebruikt. Met slechts lichte aanvullende afstemming voorspelde het model nog steeds kritieke uitkomsten zoals beroerte, cardiovasculair overlijden en congestief hartfalen met hoge nauwkeurigheid. Het hield ook goede prestaties vast bij recentere patiënten wiens slaap jaren na de originele trainingsgegevens was geregistreerd, wat erop wijst dat de aangeleerde slaappatronen stabiel genoeg zijn om veranderingen in de praktijk en populaties in de echte wereld te verwerken.

Wat dit kan betekenen voor dagelijkse zorg

Voor niet‑specialisten is de conclusie dat slaap niet alleen een symptoom van ziekte is—het is een rijke, meetbare inkijk in de langetermijngezondheid van het lichaam. SleepFM laat zien dat één nachtstudie kan helpen signaleren wie een hoger risico loopt op ernstige ziekten, lang voordat symptomen optreden, en dat het betere prestaties levert dan modellen die alleen op leeftijd, geslacht, gewicht en andere basiseigenschappen vertrouwen. Hoewel er meer werk nodig is om te generaliseren buiten slaapkliniekpatiënten en om voorspellingen per geval uit te leggen, wijst deze benadering op een toekomst waarin slimme analyse van slaap—mogelijk zelfs van apparaten thuis—een routinemiddel voor vroege waarschuwing en doorlopende gezondheidsmonitoring kan worden.

Bronvermelding: Thapa, R., Kjaer, M.R., He, B. et al. A multimodal sleep foundation model for disease prediction. Nat Med 32, 752–762 (2026). https://doi.org/10.1038/s41591-025-04133-4

Trefwoorden: slaap en ziektesrisico, polysomnografie, foundationmodellen in de geneeskunde, voorspelling van dementie en hartaandoeningen, gezondheidsmonitoring tijdens de slaap