Kunnen slaapgegevens toekomstige ziekten voorspellen?

Een nacht slaap bevat veel informatie

Bij een slaapregistratie denk je misschien eerst aan het aantal uren dat je hebt geslapen.

Uitgebreid slaaponderzoek in een medische omgeving verzamelt veel meer informatie.

Hersengolven, hartactiviteit, ademhaling, zuurstof in het bloed en spierbewegingen: sensoren op het lichaam registreren deze signalen gedurende de nacht. Dit onderzoek heet polysomnografie, of PSG (NHLBI, “Sleep Studies”).

Met zulke onderzoeken worden slaapproblemen zoals obstructieve slaapapneu onderzocht.

De registratie legt niet alleen de duur vast, maar ook hoe het lichaam zich tijdens de slaap gedroeg. Onderzoekers bekijken of die rijke informatie meer kan bijdragen aan ons begrip van gezondheid.

AI die leerde van de slaap van ongeveer 65.000 mensen

Het onderzoek naar SleepFM verscheen in januari 2026 in Nature Medicine.

Voor het leren gebruikten de onderzoekers ruim 585.000 uur aan slaaponderzoeksgegevens van ongeveer 65.000 deelnemers. Het model verwerkt verschillende fysiologische signalen en combineert leeftijd en geslacht met de registraties om ziekterisico’s te voorspellen.

Het onderzoek rapporteerde voorspellende prestaties voor latere dementie, een hartinfarct en andere uitkomsten op basis van één nacht aan gegevens. Voor dementie was een maat die de C-index heet 0,85 (Thapa et al., 2026).

Wat zegt die 0,85 over hoe goed het model voorspelt?

0,85 is niet jouw kans om een ziekte te krijgen

De C-index meet de overeenstemming tussen de volgorde van waargenomen gebeurtenissen en de rangorde van de risico’s die de AI toekent.

Grofweg wordt bij twee mensen die met elkaar te vergelijken zijn gekeken of degene bij wie de gebeurtenis eerder optrad, ook een hoger risico kreeg toegekend.

Een uitkomst van 0,85 betekent dus niet dat jij 85% kans op dementie hebt, of dat het model 85 van de 100 mensen correct heeft gediagnosticeerd.

Risico’s goed rangschikken en een percentage over een bepaald aantal jaren nauwkeurig schatten, moeten ook afzonderlijk worden beoordeeld. Controleren of voorspelde kansen overeenkomen met de waargenomen frequentie van gebeurtenissen heet kalibratie (Riley et al., 2024).

Je hoeft de termen niet uit je hoofd te leren.

Als een onderzoek over nauwkeurigheid spreekt, kijk dan wat er werd voorspeld en hoe het getal is berekend. Die kleine stap kan veranderen hoe je de uitkomst leest.

De geregistreerde diagnosedatum is niet de dag waarop een ziekte begon

Dit onderzoek koppelt slaapregistraties aan diagnoses en andere informatie die later in elektronische patiëntendossiers zijn vastgelegd (Thapa et al., 2026).

Het helpt om de datum waarop een diagnose is geregistreerd te onderscheiden van de datum waarop de ziekte in het lichaam begon.

Veranderingen kunnen geleidelijk ontstaan voordat een later onderzoek of consult tot een diagnose leidt. Een geregistreerde diagnose voorspellen bepaalt niet het moment waarop de ziekte begon.

Ook bewijst het voorspellen van een ziekte op basis van een slaapkenmerk niet dat dit kenmerk de ziekte veroorzaakt.

Voor conclusies als “meer diepe slaap voorkomt deze ziekte” is verder onderzoek van een andere aard nodig.

Van wie de gegevens komen, doet er ook toe

Het oorspronkelijke SleepFM-artikel legt uit dat veel gegevens afkomstig waren van mensen die werden onderzocht vanwege vermoedelijke slaapproblemen of verwante redenen. Sommige ziekten zijn in een andere populatie beoordeeld, maar niet elke uitkomst kon op dezelfde manier worden gecontroleerd (Thapa et al., 2026).

Prestaties bij mensen die een onderzoek ondergaan gelden niet vanzelf ongewijzigd voor een brede bevolking in het dagelijks leven.

Dat principe is in de hele medische AI belangrijk.

Helpt het model ook mensen die anders zijn dan degenen van wie het heeft geleerd? Houden de resultaten stand in een ander ziekenhuis of een andere periode? De beoordeling moet aansluiten bij de omstandigheden waarin het model gebruikt gaat worden (Collins et al., 2024).

Zowel de omvang van een dataset als de relevantie voor de beoogde gebruikers is van belang.

Van leren in het slaaplaboratorium naar sensoren om de pols

Dit onderzoek gaat verder.

SleepFM-2, uitgebracht in september 2026 en herzien op 2 oktober, gebruikt meer dan twee miljoen uur aan slaapregistraties.

Zulke AI leert kenmerken uit veel signalen en gebruikt die vervolgens voor taken als het indelen van slaapfasen en het voorspellen van ziekterisico’s. Omdat het een basis vormt voor verschillende analyses, wordt het een basismodel of foundation model genoemd.

Het vervolgonderzoek verkent slaapfasebepaling met EEG-sensoren op het hoofd en hartslagsignalen aan de pols, en voorspelling van ziekterisico’s met bewegingsregistraties van de pols. De gegevens en analysemethoden verschillen per taak (Thapa et al., SleepFM-2, 2026).

Op 19 oktober 2026 is dit werk een preprint die nog niet door vakgenoten is beoordeeld. De bevindingen moeten in samenhang met toekomstige validatie worden gelezen.

Kunnen kenmerken die uit uitgebreid slaaponderzoek zijn geleerd ook werken met toegankelijkere sensoren? Dat is een interessante vraag die dit vervolg oproept.

Kunnen slaapregistraties van Apple Watch hetzelfde?

Misschien ben je nu benieuwd wat er gebeurt als je je eigen slaapgrafiek aan een AI geeft.

Maar de weergegeven minuten diepe slaap of een slaapscore zijn niet hetzelfde als de geregistreerde fysiologische signalen die in onderzoek worden gebruikt.

De technische documentatie van Apple uit 2025 beschrijft hoe Apple Watch slaapfasen schat met signalen van de versnellingsmeter. Het horloge meet geen hersengolven rechtstreeks (Apple, “Estimating Sleep Stages from Apple Watch”).

Ook onderzoek met bewegingssignalen van de pols gebruikt niet noodzakelijk alleen de slaapduur of scores die op een scherm te zien zijn.

Welke sensor heeft welke signalen verzameld, en hoe zijn ze geanalyseerd? Die verschillen moeten worden nagegaan wanneer onderzoeksresultaten op dagelijkse apparaten worden betrokken.

Wat moet er naast een geslaagde voorspelling worden onderzocht?

Wil een technologie de gezondheid ondersteunen, dan telt ook de waarde die verder gaat dan de voorspellende prestaties.

Welke onderzoeken of consulten volgen op een hoog risico? Leveren die beslissingen eerder de nodige zorg op? Kunnen onnodige onderzoeken en belasting worden voorkomen?

Medische voorspelmodellen moeten ook op die praktische bruikbaarheid worden beoordeeld (Riley et al., 2024).

Slaapgegevens kunnen aanwijzingen over gezondheid bevatten die nog niet volledig worden benut. AI vergroot die mogelijkheid stap voor stap.

De slaapgrafiek van vanochtend is geen aankondiging van een toekomstige ziekte.

Toch kan zorgvuldig onderzoek van het lichaam tijdens elke nacht misschien ooit helpen om passende zorg bij de mensen te brengen die die nodig hebben. SleepFM is een onderzoekslijn die naar die toekomst wijst.