Eine Nacht, und KI sagt dir, wie krank du wirst.
Ki, Schlaf & Krankheitsrisiko – Diese Nachricht liest sich wie eine disruptive Entwicklung im Bereich der Schlafforschung. Können wir in Zukunft alleine durch die Analyse einer einzigen Nacht Prognosen über Krankheitsrisiken in der Zukunft erstellen? Ich habe mir diese Informationen einmal genauer angesehen.
Zunächst: Was wurde da genau vorgestellt? Forscher der Stanford University haben ein künstliches Intelligenzmodell namens SleepFM entwickelt, das behauptet, aus den Daten einer einzigen Nacht Schlaf das spätere Risiko für über 100 Krankheiten vorhersagen zu können, Jahre bevor Symptome auftreten.
Das klingt auf den ersten Blick wie Sci-Fi-Medizin: Eine Maschine, die Daten aus einer Schlafmessung nimmt und daraus eine Art Gesundheits-„Zukunftsprognose“ erstellt. Doch was steckt wirklich dahinter, und was bedeutet das für uns Menschen?
Woher kommen die Daten – und warum das wichtig ist
SleepFM wurde trainiert auf rund 585.000 Stunden Schlafdaten aus Polysomnografien, dem umfangreichsten, klinischen Schlaftest, bei dem Gehirnwellen, Herzschlag, Atmung, Bewegungen und mehr über Nacht aufgezeichnet werden.
Wichtig zu verstehen:
Polysomnografie ist kein Alltagsschlaf. Das ist eine hoch spezialisierte Untersuchung, die heute nur bei Verdacht auf schwere Schlafstörungen genutzt wird, typischerweise in Laborumgebungen, nicht im Alltag. Die Teilnehmer:innen wussten, dass sie überwacht wurden. Ihr Schlaf wurde „captured“, nicht natürlich erlebt. Das bedeutet:
Der Schlaf fand nicht natürlich statt, sondern
- im Schlaflabor
- verkabelt
- überwacht
- mit dem Wissen, beobachtet zu werden
Die Daten wurden aktiv extrahiert, nicht passiv im Alltag gemessen. Der Mensch passt sich, bewusst oder unbewusst, an die Situation an. Das ist kein neutraler Zustand. „Captured sleep“ ist also beobachteter Schlaf unter Laborbedingungen, kein gelebter Schlaf im Alltag.
Was die KI macht – und wie sie das macht
 |
 |
SleepFM nutzt einen Foundation-Model-Ansatz, ähnlich wie große Sprach-KI, aber statt auf Text wird das Modell auf die „Sprache des Schlafs“ trainiert: Sequenzen aus physiologischen Messwerten, die jeweils Sekunden für Sekunden analysiert werden.
Das System vergleicht zeitgleich Signale aus Gehirn, Herz, Atmung und anderen Kanälen. Wo diese Signale synchron oder asynchron verlaufen, soll es Hinweise auf spätere Risiken geben. Forscher berichten, dass gemischte Muster, etwa ein schläfriges Gehirn, aber ein „wachsames“ Herz, als besonders aussagekräftig gelten.
Dann koppeln sie diese Schlafdaten an elektronische Gesundheitsakten, die über Jahrzehnte für dieselben Personen geführt wurden. Auf dieser Grundlage hat das Modell gelernt, bei welchen Kombinationen von Daten später welche Diagnosen auftraten.
Was SleepFM angeblich kann — und wie gut das ist
Manche Ergebnisse wirken beeindruckend:
- Parkinson-Risiko: C-Index ~0,89
- Demenz: ~0,85
- Herzinfarkt: ~0,81
- Bestimmte Krebsarten: bis ~0,89
- Gesamtsterblichkeit: ~0,84
Der C-Index ist eine statistische Messgröße dafür, wie gut ein Modell zwischen „höherem“ und „niedrigerem“ Risiko unterscheidet. Ein Wert von 0,5 entspricht Zufall; über 0,8 gilt als relativ stark. Das bedeutet aber nicht, dass das Modell eine Diagnose mit Sicherheit voraussagt, es kann relative Risiken einordnen.
Schon hier muss man aufpassen: Ein gutes Ranking bedeutet nicht automatische klinische Relevanz. Die entscheidende Frage ist nicht nur, ob ein Risiko höher oder niedriger ist, sondern was man damit praktisch anfangen kann.
KI, Schlaf & Krankheitsrisiko – Was ändert das für Patienten?
Hier wird die Sache komplexer.
1. Datenquelle versus Realität
Die Daten stammen aus klinischen Laborumgebungen. Ein einziger Schlaf im Labor sagt möglicherweise wenig über die Schlafrealität zu Hause aus, in vertrauter Umgebung, ohne Sensoren, ohne Ärzte im Raum.
2. Risiko vs. Diagnose
Das Modell ordnet ein statistisches Risiko zu. Es ist kein Diagnosetool. Wenn SleepFM sagt, jemand hat ein erhöhtes Risiko für Demenz, bedeutet das nicht, die Person hat Demenz oder wird sie zwangsläufig bekommen.
3. Übersetzung in Maßnahmen
Was soll ein Arzt tun, wenn das Modell ein erhöhtes Risiko anzeigt, aber keine klinischen Symptome vorliegen? Früher behandeln? Überdiagnostik fördern? Patienten in unnötige Angst versetzen? Das sind reale Risiken, die man nicht wegdefinieren sollte. Das Risiko einer „Sich selbst erfüllenden Prophezeiung“ kennen wir aus Aussagen wie „Sie haben noch x-Tage zu leben!“. Nach jeder Prognose, verläuft ein Leben anders, als zuvor. Theoretisch müsste die KI diese Annahme mit in ein Prognosemodell einbinden, was aber extrem komplex ist.
4. Bias und Generalisierbarkeit
Solche KI-Modelle lernen aus historischen Daten. Was, wenn bestimmte Bevölkerungsgruppen unterrepräsentiert sind, oder wenn die Muster, die heute auffällig erscheinen, schlicht zufällige Korrelationen widerspiegeln? Retrospektive Modelle neigen dazu, Dinge zu „sehen“, die in prospektiven, realen Anwendungen oft weniger stabil sind.
Die Frage der klinischen Anwendung
Manche Forscher sehen darin einen Meilenstein für die Präventivmedizin, eine Chance, Gesundheitsrisiken früher zu erkennen und eingreifen zu können.
Ich bleibe (wie immer) skeptisch:
- Erstens besteht ein riesiger Unterschied zwischen Vorhersage in historischen Daten und verlässlicher Anwendung in der realen Welt.
- Zweitens wissen wir nicht, ob solche Risikovorhersagen zu besseren gesundheitlichen Ergebnissen führen. Es ist eine Sache, Risiken zu prognostizieren; eine andere, daraus wirksame, harmlose Maßnahmen abzuleiten.
Beides muss erst prospektiv und unabhängig validiert werden, bevor man Patienten darüber informiert, oder gar auf dieser Basis prophylaktisch behandelt.
Fazit – spannend, aber mit gebremstem Optimismus lesen
Theoretisch steckt in diesem Ansatz ein gewaltiges Potenzial für Primärprävention. Faktisch aber ein mindestens gleich großes Risikopotenzial für Missbrauch durch Entwicklung medikamentöser Prophylaxe. Also ein riesiges Feld, um (noch) gesunde Menschen, schon frühzeitig an eine Medikamentenabhängigkeit heranzuziehen.
Zwei Aspekte sollten in diesem Zusammenhang beobachtet werden.
- Die Studie entstand unter Förderung des Chan-Zuckerberg Biohub von Mark Zuckerberg, eine Non-Profit-Forschungsorganisation mit dem übergeordneten Ziel, durch interdisziplinäre Zusammenarbeit biomedizinische Durchbrüche zu erzielen. Das schreibe ich hier völlig wertfrei, jedoch passt diese KI-basierte Prognose-Thematik in die Longevity-Stoßrichtung z.B. bei Embrional-Scans (Mein Artikel „Longevity-Embryos“).
- Die KI funktioniert einzig bei Vorhandensein der Patienten Historie, also sensiblen Daten, auf deren Rückschlüsse sich z.B. auch die Beitragshöhe für Krankenversicherungen bemessen lassen könnte. Solche Studien werden nicht aus freien Stücken privat finanziert, denn entwickelt sich daraus ein Geschäftsmodell, welches quasi auf Basis der Prognose aufbaut, steht einer Dauerbeschallung des Patienten durch entsprechende Anbieter nichts mehr im Weg. Ganz bedenklich kann es werden, wenn Krankenkassen entsprechende medikamentöse „Prophylaxe“ vorschreiben, um Beiträge niedrig zu halten.
Keine düstere Prognose, nur Gedankenspiele meinerseits.
Es ist unbestreitbar: Stanford hat hier ein KI-Modell vorgestellt, das Schlafdaten auf eine Weise nutzt, die weit über klassische Schlafdiagnostik hinausgeht. Die Idee, aus Rohmesswerten jenseits von Dauer und Unterbrechungen tiefere physiologische Muster zu extrahieren, ist faszinierend.
KI, Schlaf & Krankheitsrisiko zusammengefasst:
- Wir reden über retrospektive Risiken, nicht über gesicherte Diagnosen.
- Die Datenbasis stammt aus Laborumgebungen, nicht aus dem Alltag.
- Niemand hat gezeigt, dass Menschen mit diesen Risiko-Scores besser versorgt werden oder länger gesünder bleiben.
- Sich daraus entwickelnde Geschäftsmodelle sollten auch seitens der Politik kritisch betrachtet werden.
Kurz gesagt: Ein interessantes Forschungswerkzeug mit viel Potenzial für Prävention, wie auch Manipulation.
Interesse an mehr (kritischen) Themen zu Schlaf und Chronobiologie? Abonniert gerne meine „ChronoCoach-Update“.
Quellen:
https://news.stanford.edu/stories/2026/01/ai-model-sleep-disease-risk-research-sleepfm
https://scitechdaily.com/stanfords-ai-predicts-disease-risk-from-a-single-night-of-sleep
