斯坦福SleepFM模型突破：单晚临床级睡眠数据可预测130种疾病六年风险

斯坦福大学研究团队于2026年4月9日宣布，其研发的SleepFM人工智能模型在疾病风险预测领域取得突破性进展。该成果已发表于国际权威学术期刊自然•医学。

SleepFM仅需分析单晚的标准化睡眠监测数据，即可对个体未来六年内的130种疾病发生风险进行量化评估。其中，对全因死亡风险的预测准确率达到84%。这一能力使睡眠数据从传统意义上单纯的生理恢复指标，跃升为系统识别全身潜在健康问题的关键窗口。

研究依托大规模、长周期的真实世界数据支撑。团队共纳入6.5万名参与者，累计收集超过58.5万小时的睡眠记录，数据时间跨度达25年，为模型训练与验证提供了坚实基础。

模型所处理的数据并非消费级可穿戴设备采集的简化信号，而是严格遵循临床标准的多导睡眠图，同步整合脑电、心电、肌电及呼吸等多项生理参数。这种多维信号融合方式显著提升了对睡眠过程中细微异常模式的识别能力，从而挖掘出与疾病发生密切关联的隐性生物标志。

实证结果表明，SleepFM在各类疾病预测中展现出高度一致性，130种疾病的预测一致性指数全部高于0.75。除全因死亡率外，模型对痴呆症的预测准确率为85%，对心力衰竭和心肌梗死的预测准确率分别达到80%和81%，在神经系统及循环系统相关疾病的风险判别方面表现尤为突出。

研究团队采用新旧数据分组交叉验证策略，证实该模型具备泛化能力，能够真正学习并反映睡眠特征与疾病演进之间的内在规律，而非依赖对历史病例的机械记忆。

目前，SleepFM的应用仍需配合专业多导睡眠监测设备完成数据采集，尚不具备大众日常使用的条件。但模型在架构设计上采用通道无关原则，具备良好的适配弹性，未来有望通过智能手表等便携终端，仅利用心电与呼吸等有限信号实现基础性健康预警。

全球每年有数百万民众接受睡眠监测，大量既有数据尚未被深度挖掘。SleepFM的开放应用，将极大提升存量睡眠数据的临床价值，助力优化医疗资源配置，推动预防医学向更精准、更早期的方向发展。