Bisakah data tidur memprediksi penyakit di masa depan?

Tidur semalam menyimpan banyak informasi

Saat mendengar catatan tidur, mungkin yang pertama terlintas adalah jumlah jam tidur.

Pemeriksaan tidur terperinci di fasilitas kesehatan mengumpulkan jauh lebih banyak informasi.

Gelombang otak, aktivitas jantung, pernapasan, oksigen darah, dan gerakan otot: sensor yang dipasang pada tubuh merekam sinyal-sinyal ini sepanjang malam. Pemeriksaan tersebut disebut polisomnografi, atau PSG (NHLBI, “Sleep Studies”).

Pemeriksaan ini digunakan untuk menyelidiki masalah tidur seperti apnea tidur obstruktif.

Selain durasi, rekaman menunjukkan bagaimana tubuh bekerja selama tidur. Peneliti mengeksplorasi apakah informasi yang kaya ini dapat lebih membantu kita memahami kesehatan.

AI yang belajar dari tidur sekitar 65.000 orang

Penelitian SleepFM diterbitkan di Nature Medicine pada Januari 2026.

Peneliti menggunakan lebih dari 585.000 jam data pemeriksaan tidur dari sekitar 65.000 peserta untuk pembelajaran. Model ini mengolah berbagai sinyal fisiologis dan menggabungkan usia serta jenis kelamin dengan rekaman untuk memprediksi risiko penyakit.

Penelitian melaporkan kinerja prediksi demensia, infark miokard, dan hasil kesehatan lain di kemudian hari berdasarkan rekaman satu malam. Untuk demensia, ukuran yang disebut C-index bernilai 0,85 (Thapa et al., 2026).

Apa arti 0,85 bagi kemampuan prediksi model?

0,85 bukan peluang Anda terkena penyakit

C-index mengukur kesesuaian antara urutan kejadian yang diamati dan urutan risiko yang diberikan AI.

Secara sederhana, untuk dua orang yang bisa dibandingkan, ukuran ini menilai apakah orang yang benar-benar mengalami kejadian lebih awal juga diberi peringkat risiko lebih tinggi.

Jadi, hasil 0,85 tidak berarti Anda memiliki peluang 85% terkena demensia, atau model mendiagnosis dengan benar 85 dari 100 orang.

Mengurutkan risiko dengan baik dan memperkirakan persentase secara tepat untuk jangka waktu tertentu juga perlu dinilai secara terpisah. Memeriksa apakah probabilitas yang diprediksi sesuai dengan tingkat kejadian yang diamati disebut penilaian kalibrasi (Riley et al., 2024).

Anda tidak perlu menghafal istilah-istilahnya.

Ketika penelitian menyebut akurasi, coba lihat apa yang diprediksi dan bagaimana angkanya dihitung. Langkah kecil ini bisa mengubah cara Anda memahami hasilnya.

Tanggal diagnosis dicatat bukan tanggal penyakit bermula

Penelitian ini menghubungkan rekaman pemeriksaan tidur dengan diagnosis dan informasi lain yang kemudian tercatat dalam rekam medis elektronik (Thapa et al., 2026).

Penting untuk membedakan tanggal diagnosis dicatat dari tanggal penyakit mulai berkembang di dalam tubuh.

Perubahan dapat berkembang perlahan sebelum pemeriksaan atau konsultasi berikutnya menghasilkan diagnosis. Memprediksi diagnosis yang tercatat tidak menentukan kapan penyakit bermula.

Demikian pula, memprediksi penyakit dari suatu ciri tidur tidak membuktikan bahwa ciri tersebut menyebabkan penyakit.

Kesimpulan seperti “menambah tidur nyenyak mencegah penyakit ini” memerlukan penelitian lanjutan dengan pendekatan berbeda.

Data siapa yang digunakan juga penting

Makalah SleepFM awal menjelaskan bahwa banyak data berasal dari orang yang diperiksa karena dugaan masalah tidur atau indikasi terkait. Beberapa penyakit dievaluasi pada populasi lain, tetapi tidak semua hasil dapat diperiksa dengan cara yang sama (Thapa et al., 2026).

Kinerja pada orang yang menjalani pemeriksaan tidak otomatis berlaku tanpa perubahan pada masyarakat luas dalam kehidupan sehari-hari.

Prinsip ini penting dalam AI medis secara umum.

Apakah model membantu orang yang berbeda dari kelompok yang digunakan untuk belajar? Apakah hasilnya bertahan di rumah sakit atau periode lain? Evaluasi perlu menyerupai kondisi penggunaan yang dituju (Collins et al., 2024).

Ukuran kumpulan data dan relevansinya dengan calon pengguna sama-sama penting.

Dari pembelajaran di laboratorium tidur ke sensor pergelangan tangan

Penelitian ini terus berkembang.

SleepFM-2, dirilis pada September 2026 dan direvisi pada 2 Oktober, menggunakan lebih dari dua juta jam rekaman tidur.

AI semacam ini mempelajari ciri dari banyak sinyal, lalu menggunakannya untuk tugas seperti klasifikasi tahap tidur dan prediksi risiko penyakit. Karena menjadi dasar untuk berbagai analisis, model ini disebut model fondasi, atau foundation model.

Penelitian lanjutan mengeksplorasi klasifikasi tahap tidur dari EEG yang dikenakan di kepala dan sinyal denyut nadi di pergelangan tangan, serta prediksi risiko penyakit dari rekaman gerak pergelangan tangan. Data dan metode analisisnya berbeda untuk setiap tugas (Thapa et al., SleepFM-2, 2026).

Per 19 Oktober 2026, karya ini masih berupa pracetak atau preprint yang belum melalui tinjauan sejawat. Temuannya perlu dibaca bersama validasi lanjutan di masa depan.

Bisakah ciri yang dipelajari dari pemeriksaan tidur menyeluruh juga digunakan dengan sensor yang lebih mudah dijangkau? Itu pertanyaan menarik yang muncul dari penelitian lanjutan ini.

Bisakah catatan tidur Apple Watch melakukan hal yang sama?

Kini mungkin Anda penasaran ingin memberikan grafik tidur sendiri kepada AI.

Namun, menit tidur nyenyak atau skor tidur yang ditampilkan tidak sama dengan rekaman sinyal fisiologis yang digunakan dalam penelitian.

Dokumentasi teknis Apple tahun 2025 menjelaskan estimasi tahap tidur Apple Watch dari sinyal akselerometer. Jam ini tidak mengukur gelombang otak secara langsung (Apple, “Estimating Sleep Stages from Apple Watch”).

Bahkan penelitian yang menggunakan sinyal gerak pergelangan tangan belum tentu hanya memasukkan durasi atau skor tidur yang terlihat di layar.

Sensor apa yang mengumpulkan sinyal apa, dan bagaimana sinyal tersebut dianalisis? Perbedaan ini perlu diperiksa saat menghubungkan temuan penelitian dengan perangkat sehari-hari.

Apa yang perlu diuji selain keberhasilan memprediksi?

Agar teknologi membantu kesehatan, nilainya di luar kinerja prediksi juga penting.

Pemeriksaan atau konsultasi apa yang menyusul hasil berisiko tinggi? Apakah keputusan tersebut mempercepat perawatan yang diperlukan? Bisakah pemeriksaan yang tidak perlu dan beban yang menyertainya dihindari?

Model prediksi medis juga perlu dievaluasi dari segi manfaat praktis ini (Riley et al., 2024).

Data tidur mungkin menyimpan petunjuk kesehatan yang belum sepenuhnya dimanfaatkan. AI perlahan memperluas kemungkinan tersebut.

Grafik tidur pagi ini bukan pengumuman tentang penyakit yang akan datang.

Meski begitu, mempelajari tubuh dengan saksama setiap malam mungkin suatu hari membantu menghadirkan perawatan yang tepat bagi orang yang membutuhkannya. SleepFM adalah salah satu jalur penelitian yang mengarah ke masa depan itu.