斯坦福大学科研团队在医学人工智能领域取得重大进展，其开发的SleepFM模型可基于单夜睡眠数据预测个体未来健康风险。该研究成果已发表于国际权威医学期刊《自然·医学》，相关代码与模型架构同步开源，为全球医疗健康研究提供新工具。
这项研究依托超过25年的纵向临床数据，覆盖6.5万名受试者的长期健康记录。与传统睡眠监测设备仅记录单一指标不同，SleepFM通过多模态生理信号融合技术，同步分析脑电波、心电图、呼吸频率等20余项生物参数，能够识别睡眠中微妙的生理波动模式。这些模式与心血管疾病、神经退行性疾病等重大健康问题存在显著关联。
在性能验证阶段，该模型展现出卓越的预测能力。对全因死亡率的预测准确率达84%，针对阿尔茨海默病等痴呆症的预测准确率提升至85%。在心力衰竭和心肌梗死的风险评估中，其预测一致性指数超越现有临床模型，特别是在无症状早期阶段的识别能力具有突破性意义。研究团队强调，这种精准预测得益于对睡眠周期中非线性生理特征的深度挖掘。
技术架构创新是该成果的核心突破。研究人员采用通道无关的深度学习框架，使模型能够适应不同监测设备的数据格式。这种设计为技术普惠化奠定基础——未来通过智能手表等消费级设备采集的心电、血氧等简化数据，经过模型处理后仍可提供有价值的健康预警。目前团队已与多家可穿戴设备厂商开展合作，优化算法在低功耗设备上的运行效率。
开源特性赋予这项技术更广泛的应用价值。全球医疗机构每年产生数以亿计的睡眠监测原始数据，通过SleepFM模型可转化为结构化的健康风险图谱。这种转化不仅能提升疾病筛查效率，还可帮助公共卫生部门识别高危人群，优化医疗资源配置。研究团队特别指出，模型在多元种族数据上的训练使其具有更好的泛化能力，特别适合应用于不同人种的健康管理场景。
