9. Januar 2026, 17:52 Uhr | Lesezeit: 7 Minuten
Könnte unser nächtlicher Schlaf versteckte Hinweise auf ernsthafte Krankheiten liefern – Jahre bevor erste Symptome auftreten? Und könnte künstliche Intelligenz dabei helfen, diese für betroffene Personen zu entschlüsseln? Eine aktuelle Studie zeigt: Ja. Forschende haben ein KI-Modell entwickelt, das aus den vielfältigen Signalen eines Schlaflabors erstaunlich genau das Risiko für mehr als 1.000 Krankheiten erkennt. Möglich macht das eine riesige Datenbasis mit 585.000 Stunden Schlafaufzeichnungen. Lesen Sie bei FITBOOK, was genau das Modell der Stanford University leisten kann und was dies für die Prävention von Erkrankungen bedeuten könnte.
Schlaf ist nicht nur Erholung – er spiegelt auch unseren Gesundheitszustand wider. Schlafstörungen gelten zunehmend als Frühwarnzeichen für Krankheiten wie Demenz, Parkinson oder Herzprobleme.1,2,3 Das zeigen Studien, die sich meistens auf einzelne Erkrankungen fokussiert haben – mit begrenzten Datensätzen und viel manueller Arbeit.
Die an der Stanford University durchgeführte Untersuchung verfolgt einen umfassenderen Ansatz. Das Forschungsteam entwickelte mit „SleepFM“ ein sogenanntes Foundation-Modell – also ein sehr großes KI-System –, das multimodale Daten aus professionellen Schlafuntersuchungen (Polysomnographien, kurz PSG) analysiert. Diese umfassen unter anderem Hirnströme (EEG), Augenbewegungen (EOG), Herzaktivität (EKG), Muskelspannung (EMG) und Atmung.4
Schlaflabordaten für die Prävention von Krankheiten nutzbar?
Untersuchungen in Schlaflaboren kommen meistens bei Patienten zum Einsatz, die sich aufgrund bestehender Schlafstörungen Hilfe suchen. Die während Schlafaufzeichnungen gewonnenen Daten nutzen Experten in der Schlafmedizin dazu, sowohl der Art der Schlafstörung als auch den möglichen körperlichen Ursachen auf die Spur zu kommen. Denn so wie Schlafstörungen Frühwarnzeichen für spätere Krankheiten sein können, können bereits bestehende Vorerkrankungen ursächlich für gestörten Schlaf sein.
Können die Aufzeichnungen nächtlicher Körperfunktionen aber noch mehr über die schlafende Person verraten? Und dafür genutzt werden, um das Risiko für eine Vielzahl an Erkrankungen frühzeitig zu erkennen – idealerweise bevor erste Symptome auftreten? Die Suche nach Antworten auf diese Fragen veranlasste die Stanford-Wissenschaftler zur Entwicklung ihres KI-Modells. Dabei konzentrierten sich die Forschenden nicht auf eine einzelne Krankheit, sondern wollten systematisch testen, wie stark Schlafdaten mit über 1.000 verschiedenen Diagnosen in Zusammenhang stehen.
Auch interessant: Steigt das Sterberisiko bei zu kurzem REM-Schlaf?
KI analysierte Hirnströme, Augenbewegungen, Herzaktivität, Muskelspannung und Atmung
Die Studie und die Analyse des KI-Modells basieren auf einer der größten Schlafdatenbanken weltweit. 35.052 Datensätze mit jeweils ca. acht Stunden Material standen zur Verfügung. Insgesamt waren dies mehr als 585.000 Stunden PSG-Daten von mehr als 65.000 Personen aus fünf unabhängigen Kohorten – darunter die Stanford Sleep Clinic, BioSerenity, MESA, MrOS und die SHHS-Studie. Die Daten decken ein breites Altersspektrum von Kindern bis Hochbetagten ab. Das Modell SleepFM wurde mithilfe eines selbstentwickelten Algorithmus namens LOO-CL (Leave-One-Out Contrastive Learning) trainiert. Diese Methode ermöglicht es, unterschiedliche Biosignale wie EEG, EKG oder Atemdaten miteinander zu verknüpfen.
Training des KI-Modells
Zunächst fand ein Vortraining des SleepFM-Modells mit Übungsdaten statt, anschließend folgte eine Vorjustierung für spezifische Aufgaben wie Altersschätzung, Einbezug von Geschlecht, Schlafstadienerkennung und vor allem Krankheitsvorhersage.
Im nächsten Schritt fütterten die Wissenschaftler das KI-Modell mit elektronischen Gesundheitsakten aus den zuvor genannten Kohorten, in denen Diagnosen mit Zeitstempeln vorlagen. Berücksichtigung fanden Krankheitshinweise, die frühestens sieben Tage und spätestens sechs Jahre nach der Untersuchung einer Person im Schlaflabor auftraten. So konnte getestet werden, ob Schlafdaten Erkrankungen vorhersagen, die vor dem Schlaflaborbesuch noch nicht bestanden und die womöglich auch erst Monate oder Jahre danach diagnostiziert wurden. Auf klassische Laborwerte oder bildgebende Diagnostik konnte das KI-Modell nicht zugreifen. So stellten die Forschenden sicher, dass eventuelle Vorhersagen ausschließlich auf Schlafsignalen beruhen würden. Für die Modellbewertung kamen etablierte Metriken wie AUROC (Area Under Receiver Operating Characteristic Curve) und Harrells C-Index zum Einsatz.
Assoziation zwischen Schlafdaten und mehr als 1000 Krankheiten
Die in der Studie erfassten Fähigkeiten von SleepFM sind bemerkenswert. Für 130 Erkrankungen erreichte das Modell eine Vorhersagegenauigkeit (AUROC und C-Index) von mindestens 0.75. Dabei handelt es sich um einen Wert, der in der medizinischen Diagnostik als hoch gilt. Besonders präzise war das Modell bei neurodegenerativen Erkrankungen wie Parkinson (AUROC 0.93), Demenz (0.87) und kognitiven Störungen (0.84). Auch Herz-Kreislauf-Erkrankungen wie hypertensive Herzkrankheit (0.88), Herzinsuffizienz (0.83) und Schlaganfall (0.81) erkannte es treffsicher.
Überraschend war auch die hohe Vorhersagekraft für bestimmte Krebsarten: Brust- und Prostatakrebs sowie Hautmelanome erzielten AUROC-Werte von jeweils 0.90 bzw. 0.83. Sogar das Sterberisiko ließ sich aus einer einzigen Nacht Schlafdaten zuverlässig abschätzen (AUROC 0.84).
Auch interessant: Ist die Uhr der Feind unseres Schlafs?
Schlaf als Frühwarnsystem
Schon eine einzige Nacht professioneller Schlafmessung reichte SleepFM aus, um umfangreiche Hinweise auf zukünftige Erkrankungen herauszuarbeiten. Dass es das Risiko für sich schleichend entwickelnde und häufig spät diagnostizierte Krankheiten wie Demenz, Parkinson oder Herzinsuffizienz erkannte, macht Hoffnung für einen Fortschritt in der Prävention dieser. Statt auf Symptome zu warten, könnten Risikopatienten frühzeitig identifiziert und präventiv behandelt werden.
Eine Schlafuntersuchung könnte für Patienten zukünftig nicht nur Diagnosehilfe für Schnarchen oder Schlafapnoe sein, sondern ein Screening für viele andere Erkrankungen. Auch für die Forschung ist SleepFM ein Meilenstein, denn es eröffnet neue Wege zur Nutzung großer, komplexer Biosignale mit moderner KI.
Wie Sie bei Teenagern Gesundheitsrisiken erkennen, bevor der Arzt es tut
Frühsymptom von Parkinson bald per App erkennbar?
Einordnung der Studie und mögliche Einschränkungen
SleepFM ist die bislang umfassendste Anwendung eines Foundation-Modells in der Schlafmedizin. Die Kombination aus riesiger Datenbasis, multimodaler Signalverarbeitung und KI-Lernen hebt es deutlich von bisherigen Studien ab.
Doch trotz der beeindruckenden Ergebnisse gibt es auch Einschränkungen. Die Datensätze stammen überwiegend von Personen, die aufgrund von Schlafproblemen oder anderen Erkrankungen ins Schlaflabor überwiesen wurden. Gesunde Menschen ohne Beschwerden sind unterrepräsentiert – das schränkt die Übertragbarkeit auf die Allgemeinbevölkerung ein.
Ein weiteres Manko besteht darin, dass die Vorhersagen des Modells schwer interpretierbar sind. Die KI liefert Risikowerte, aber keine leicht verständlichen Begründungen für diese. Auch Kausalzusammenhänge zwischen bestimmten Schlafsignalen und spezifischen Erkrankungen waren nicht gegeben. Zwar wurden Analysen nach Schlafphasen und Signaltypen durchgeführt (z. B. REM-Schlaf besonders relevant bei neurodegenerativen Erkrankungen), doch lässt sich daraus keine Handlungsempfehlung im klinischen Alltag ableiten.
Bis SleepFM oder ähnliche Modelle im Alltag der medizinischen Versorgung integriert werden können – etwa als Zusatzdiagnostik im Schlaflabor oder perspektivisch mit tragbaren Geräten – sind weitere Studien nötig.
Schritt in Richtung personalisierte, vorausschauende Medizin
Auch wenn noch Fragen offenbleiben und der Weg bis zur praktischen Anwendbarkeit in der Medizin noch weit ist, präsentieren die Stanford-Wissenschaftler ein revolutionäres KI-Werkzeug zur Gesundheitsprognose – basierend allein auf Schlafdaten.
Aus über 585.000 Stunden PSG-Aufzeichnungen lernte das Modell, mehr als 1.000 Krankheiten mit hoher Genauigkeit vorherzusagen – darunter solche, die unheilbar sind, Millionen Menschen betreffen und die Gesundheitssysteme weltweit stark belasten.
Trotz offener Fragen zur Alltagstauglichkeit ist SleepFM ein vielversprechender Schritt in Richtung personalisierte, vorausschauende Medizin.
Ich frage mich, wie alltagstauglich ein solches KI-Modell werden kann
„Schlafaufzeichnungen im Schlaflabor liefern diverse spannende Erkenntnisse. Auch wenn sie in erster Linie bei der Erkennung und Behandlung von Schlafstörungen helfen sollen, können sie schon jetzt mehr. So kommen solche Datensätze etwa auch im Profisport zum Einsatz, um etwa mögliche baldige Leistungsabfälle prognostizieren und z. B. mit Regenerationsmaßnahmen gegensteuern zu können. Wirklich faszinierend! Deshalb wundert es mich nicht, dass sich in Schlafaufzeichnungen noch viel unausgeschöpftes Potenzial versteckt, speziell auch im Hinblick auf Prävention von Krankheiten. Das KI-Modell der Stanford University scheint bereits beeindruckend gut zu funktionieren. Nur, was heißt das für die Praxis? Werden wir bald neben Blutwerten und EKG auch regelmäßig Untersuchungen im Schlaflabor machen? Ich bezweifle leider, dass sich dies zeitnah in der Breite als regelmäßige Vorsorge umsetzen ließe. Aktuell haben ja sogar Menschen mit großem Leidensdruck aufgrund von Schlafstörungen Probleme, schnell einen Termin zu bekommen. Und der weitere nötige Schritt, ein KI-Modell, das die Datensätze auswertet, klingt teuer. Daher glaube ich, dass zunächst die Schlafmedizin sowie die Herz-, Gehirn- und Krebsforschung von den Erkenntnissen der Studie profitieren. Das ist toll und kann langfristig zu weiteren großen medizinischen Durchbrüchen führen. Aber mit Alltagstauglichkeit für den Durchschnittspatienten hat das wenig zu tun.“