Kan sömndata förutsäga framtida sjukdomar?

En natts sömn innehåller mycket information

När du tänker på en sömnregistrering är det kanske antalet sovtimmar som först dyker upp.

Detaljerade sömnundersökningar inom vården samlar in betydligt mer information.

Hjärnvågor, hjärtaktivitet, andning, syre i blodet och muskelrörelser: sensorer på kroppen registrerar dessa signaler under natten. Undersökningen kallas polysomnografi, eller PSG (NHLBI, ”Sleep Studies”).

Sådana undersökningar används för att utreda sömnproblem som obstruktiv sömnapné.

Registreringen visar hur kroppen betedde sig under sömnen, utöver hur länge den varade. Forskare undersöker om den här rika informationen kan bidra mer till vår förståelse av hälsa.

AI som lärde sig av ungefär 65 000 personers sömn

Studien om SleepFM publicerades i Nature Medicine i januari 2026.

Forskarna använde över 585 000 timmar med sömnundersökningsdata från cirka 65 000 deltagare för inlärningen. Modellen hanterar flera fysiologiska signaler och kombinerar ålder och kön med registreringarna för att förutsäga sjukdomsrisk.

Studien rapporterade prediktionsförmåga för senare demens, hjärtinfarkt och andra utfall utifrån en enda natts registrering. För demens var ett mått som kallas C-index 0,85 (Thapa et al., 2026).

Vad säger 0,85 om hur bra modellen förutsäger?

0,85 är inte din sannolikhet att få en sjukdom

C-index mäter överensstämmelsen mellan ordningen på observerade händelser och den riskordning som AI:n anger.

Förenklat undersöks om den av två jämförbara personer som faktiskt fick en händelse tidigare också hade placerats högre i risk.

Ett resultat på 0,85 betyder därför inte att du har 85 procents risk för demens eller att modellen ställde rätt diagnos för 85 av 100 personer.

Att rangordna risker väl och att korrekt uppskatta en procentsats för ett visst antal år behöver också bedömas var för sig. Att kontrollera om förutsagda sannolikheter stämmer med observerade händelsefrekvenser kallas att bedöma kalibreringen (Riley et al., 2024).

Du behöver inte lära dig termerna utantill.

När en studie nämner träffsäkerhet, titta på vad som förutsades och hur siffran beräknades. Det lilla steget kan ändra hur du läser resultatet.

Datumet då en diagnos registrerades är inte dagen då sjukdomen började

Den här forskningen kopplar sömnregistreringar till diagnoser och annan information som senare registrerats i elektroniska patientjournaler (Thapa et al., 2026).

Det är bra att skilja på dagen då en diagnos registrerades och dagen då sjukdomen började i kroppen.

Förändringar kan utvecklas gradvis innan ett senare test eller vårdbesök leder till en diagnos. Att förutsäga en registrerad diagnos fastställer inte när sjukdomen började.

Att förutsäga en sjukdom utifrån ett sömndrag bevisar inte heller att draget orsakar sjukdomen.

Slutsatser som ”mer djupsömn förebygger den här sjukdomen” skulle kräva ytterligare forskning med ett annat upplägg.

Vems data som användes spelar också roll

Den ursprungliga SleepFM-artikeln förklarar att mycket av materialet kom från personer som undersöktes på grund av misstänkta sömnproblem eller närliggande indikationer. Vissa sjukdomar utvärderades i en annan population, men alla utfall kunde inte kontrolleras på samma sätt (Thapa et al., 2026).

Resultat bland personer som genomgår undersökningar gäller inte nödvändigtvis oförändrat för en bred befolkning i vardagen.

Den principen är viktig för medicinsk AI i stort.

Hjälper modellen personer som skiljer sig från dem vars data användes för inlärningen? Håller resultaten på ett annat sjukhus eller under en annan tidsperiod? Utvärderingen behöver likna förhållandena vid den avsedda användningen (Collins et al., 2024).

Både datamängdens storlek och dess relevans för de tänkta användarna spelar roll.

Från inlärning i sömnlaboratoriet till sensorer på handleden

Forskningen går vidare.

SleepFM-2, som delades i september 2026 och reviderades den 2 oktober, använder över två miljoner timmar sömnregistreringar.

Sådan AI lär sig egenskaper från många signaler och använder dem sedan för uppgifter som att klassificera sömnstadier och förutsäga sjukdomsrisk. Eftersom den ger en grund för olika analyser kallas den en grundmodell, eller foundation model.

Uppföljningen utforskar klassificering av sömnstadier med huvudburen EEG och pulssignaler från handleden, samt förutsägelse av sjukdomsrisk med rörelseregistreringar från handleden. Data och analysmetoder skiljer sig åt mellan uppgifterna (Thapa et al., SleepFM-2, 2026).

Den 19 oktober 2026 är arbetet en preprint som ännu inte har genomgått sakkunniggranskning. Resultaten behöver läsas tillsammans med framtida validering.

Kan egenskaper som lärts från omfattande sömnundersökningar också fungera med mer tillgängliga sensorer? Det är en intressant fråga som uppföljningen väcker.

Kan sömnregistreringar från Apple Watch göra samma sak?

Kanske är du nu nyfiken på att ge din egen sömngraf till en AI.

Men antalet minuter djupsömn eller sömnpoängen som visas är inte samma sak som registreringarna av fysiologiska signaler i forskningen.

Apples tekniska dokumentation från 2025 beskriver hur Apple Watch uppskattar sömnstadier med signaler från accelerometern. Klockan mäter inte hjärnvågor direkt (Apple, ”Estimating Sleep Stages from Apple Watch”).

Inte ens forskning som använder rörelsesignaler från handleden utgår nödvändigtvis bara från den sömntid eller de poäng som syns på skärmen.

Vilken sensor samlade in vilka signaler, och hur analyserades de? De skillnaderna behöver kontrolleras när forskningsresultat kopplas till vardagliga enheter.

Vad behöver prövas utöver en lyckad förutsägelse?

För att en teknik ska stödja hälsan spelar värdet utöver prediktionsförmågan också roll.

Vilka undersökningar eller vårdbesök följer efter ett resultat som visar hög risk? Leder besluten till nödvändig vård tidigare? Går det att undvika onödiga undersökningar och belastningar?

Medicinska prediktionsmodeller behöver också bedömas utifrån den praktiska nyttan (Riley et al., 2024).

Sömndata kan innehålla hälsorelaterade ledtrådar som ännu inte har utnyttjats fullt ut. AI utvidgar gradvis den möjligheten.

Morgonens sömngraf är inget besked om en framtida sjukdom.

Ändå kan noggranna studier av kroppen varje natt kanske en dag bidra till att rätt vård når dem som behöver den. SleepFM är en forskningsinriktning som pekar mot den framtiden.