En multimodal sömn‑grundmodell för sjukdomsprognos

Varför en natts sömn kan avslöja din framtida hälsa

När du sover i en klinik uppkopplad till monitorer fångar de där krulliga linjerna på skärmen mycket mer än snarkning eller rastlösa ben. Denna studie visar att en natt med detaljerad sömnregistrering kan fungera som en spåkula för framtida hälsa. Genom att träna ett kraftfullt artificiellt intelligenssystem på hundratusentals timmar av sömndata fann forskarna att hur vi sover innehåller dolda ledtrådar om risker för demens, hjärtsjukdom, njurproblem, cancer och till och med förtida död—år innan dessa sjukdomar visar sig.

Lyssna på kroppen under sömnen

Sömnlaboratorier använder ett test kallat polysomnografi, där sensorer på skalpen, ansiktet, bröstkorgen och benen registrerar hjärnvågor, ögonrörelser, hjärtslag, andning och muskelaktivitet under natten. Dessa tester betraktas som guldstandarden för att förstå sömn, men de genererar enorma, komplexa dataströmmar som är svåra för mänskliga experter att fullt ut tolka. Majoriteten av tidigare forskning har zoomat in på ett problem i taget—såsom apné eller narkolepsi—och har ofta förlitat sig på tidskrävande manuell scoring. Därmed har den djupare berättelsen dold i hela signalmixen i stor utsträckning förblivit outnyttjad.

Att lära en AI förstå sömnens språk

Författarna byggde en ”grundmodell” kallad SleepFM, och lånade idéer från stora språkmodeller som lär sig av enorma mängder text. Istället för ord och meningar lär sig SleepFM från råa sömnsignaler. Den tränades på mer än 585 000 timmar av övervakade nattinspelningar från mer än 65 000 personer, insamlade vid flera sömncenter och befolkningsstudier. Modellen tar in korta femsekundersbitar av hjärn‑, hjärt‑, andnings‑ och muskelaktivitet, och kombinerar dem sedan med hjälp av attention‑baserade neurala nätverk som klarar av olika sensorsättning vid olika sjukhus. Under träningen lär den sig att alignera information över dessa signaltyper, och skapar en gemensam intern representation av hur hälsosam och ohälsosam sömn ser ut, utan att behöva mänskliga etiketter.

Från en natt till många möjliga diagnoser

När SleepFM väl var tränad kopplades modellens interna ”sömnavtryck” till elektroniska journaler för att se om de kunde förutsäga senare sjukdomar. Forskarna undersökte över 1 000 tillstånd och frågade för varje patient om en enda nattlig undersökning kunde förutse vem som skulle utveckla en sjukdom år senare. SleepFM förutsade med hög tillförlitlighet 130 olika diagnoser, inklusive död i alla orsaker, demens, hjärtsvikt, stroke, kronisk njursjukdom och flera cancerformer. För vissa tillstånd, såsom Parkinsons sjukdom, demens och stora hjärtproblem, närmade sig eller överträffade dess prestanda specialiserade verktyg baserade på hjärnavbildning eller hjärtregistreringar.

Hur sömnsignaler knyter an till hjärnan, hjärtat och vidare

Genom att se vilka delar av natten och vilka sensorer som var mest betydelsefulla fann teamet mönster som är biologiskt meningsfulla. Hjärnvågs‑ och ögonrörelsesignaler var särskilt hjälpsamma för att förutsäga neurologiska och psykiska störningar, vilket ekar bevis för att förändringar i djupsömn och REM‑sömn ofta föregår Alzheimers och Parkinsons. Andnings‑ och syresättningssignaler var mer informativa för respiratoriska och metabola tillstånd, medan hjärtrytmsspår bar extra tyngd för cirkulatoriska sjukdomar som hjärtsvikt och stroke. Även om varje signaltyp bidrog med något, gavs de bästa prognoserna när de kombinerades, vilket tyder på att många sjukdomar lämnar subtila fingeravtryck över hela den sovande kroppen.

Robusta resultat över kliniker och över tid

För att testa om SleepFM skulle fungera utanför sina ursprungliga institutioner tillämpade forskarna modellen på en oberoende studie av över 6 000 äldre vuxna som hållits utanför den initiala träningen. Med endast lätt extra finjustering förutsade modellen fortfarande kritiska utfall som stroke, kardiovaskulär död och kongestiv hjärtsvikt med hög noggrannhet. Den behöll också god prestanda hos mer nyligen undersökta patienter vars sömn registrerades år efter originaldatat, vilket tyder på att de inlärda sömnmönstren är tillräckligt stabila för att hantera verkliga förändringar i praxis och populationer.

Vad detta kan innebära för vardagsvården

För icke‑specialister är slutsatsen att sömn inte bara är ett symtom på sjukdom—det är ett rikt, mätbart fönster mot kroppens långsiktiga hälsa. SleepFM visar att en enda nattlig studie kan hjälpa till att flagga vilka som har högre risk för allvarliga sjukdomar långt innan symtom uppträder, och överträffar modeller som förlitar sig enbart på ålder, kön, vikt och andra grundläggande egenskaper. Även om mer arbete krävs för att generalisera bortom patienter från sömnkliniker och för att förklara dess prognoser fall för fall, pekar detta tillvägagångssätt mot en framtid där smart analys av sömn—möjligen även från hem-enheter—kan bli ett rutinmässigt, icke‑invasivt verktyg för tidig varning och löpande hälsomonitorering.

Citering: 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

Nyckelord: sömn och sjukdomsrisk, polysomnografi, grundmodeller inom medicin, demens‑ och hjärtsjukdomsprognos, hälsomonitorering under sömn