ข้อมูลการนอนทำนายโรคในอนาคตได้ไหม?

การนอนหนึ่งคืนมีข้อมูลอยู่มากมาย

เมื่อพูดถึงบันทึกการนอน สิ่งแรกที่นึกถึงอาจเป็นจำนวนชั่วโมงที่นอนหลับ

การตรวจการนอนหลับอย่างละเอียดในสถานพยาบาลเก็บข้อมูลมากกว่านั้นมาก

คลื่นสมอง การทำงานของหัวใจ การหายใจ ออกซิเจนในเลือด และการเคลื่อนไหวของกล้ามเนื้อ เซนเซอร์ที่ติดบนร่างกายจะบันทึกสัญญาณเหล่านี้ตลอดคืน การตรวจนี้เรียกว่าโพลีซอมโนกราฟี หรือ PSG (NHLBI, “Sleep Studies”)

การตรวจลักษณะนี้ใช้ตรวจหาปัญหาการนอน เช่น ภาวะหยุดหายใจขณะหลับจากการอุดกั้น

บันทึกจึงไม่ได้บอกแค่ว่านอนนานเท่าไร แต่ยังแสดงว่าร่างกายทำงานอย่างไรระหว่างหลับ นักวิจัยกำลังศึกษาว่าข้อมูลที่หลากหลายนี้จะช่วยให้เข้าใจสุขภาพได้มากขึ้นหรือไม่

AI ที่เรียนรู้จากการนอนของคนประมาณ 65,000 คน

งานวิจัย SleepFM ตีพิมพ์ในวารสาร Nature Medicine เมื่อเดือนมกราคม 2026

นักวิจัยใช้ข้อมูลการตรวจการนอนหลับกว่า 585,000 ชั่วโมงจากผู้เข้าร่วมประมาณ 65,000 คนในการเรียนรู้ โมเดลประมวลผลสัญญาณทางสรีรวิทยาหลายชนิด และใช้ข้อมูลอายุกับเพศร่วมกับบันทึกเหล่านี้เพื่อทำนายความเสี่ยงโรค

งานวิจัยรายงานประสิทธิภาพในการทำนายภาวะสมองเสื่อม กล้ามเนื้อหัวใจตาย และผลลัพธ์อื่น ๆ ในภายหลังจากข้อมูลการนอนหนึ่งคืน สำหรับภาวะสมองเสื่อม ตัวชี้วัดที่เรียกว่า C-index มีค่า 0.85 (Thapa et al., 2026)

แล้ว 0.85 บอกอะไรเกี่ยวกับความสามารถในการทำนายของโมเดล?

0.85 ไม่ใช่โอกาสที่คุณจะเป็นโรค

C-index วัดความสอดคล้องระหว่างลำดับของเหตุการณ์ที่สังเกตได้จริงกับลำดับความเสี่ยงที่ AI ประเมิน

อธิบายคร่าว ๆ คือ ในคนสองคนที่เปรียบเทียบกันได้ คนที่เกิดเหตุการณ์ขึ้นก่อนจริง ๆ ถูกจัดว่ามีความเสี่ยงสูงกว่าด้วยหรือไม่

ดังนั้น ผลลัพธ์ 0.85 จึงไม่ได้แปลว่าคุณมีโอกาสเป็นภาวะสมองเสื่อม 85% หรือโมเดลวินิจฉัยคนได้ถูกต้อง 85 คนจาก 100 คน

การจัดลำดับความเสี่ยงได้ดี กับการประมาณเปอร์เซ็นต์ภายในระยะเวลาหลายปีได้แม่นยำ ต้องได้รับการประเมินแยกกัน การตรวจว่าความน่าจะเป็นที่ทำนายตรงกับอัตราการเกิดเหตุการณ์ที่สังเกตได้จริงหรือไม่ เรียกว่าการประเมินการสอบเทียบ หรือ calibration (Riley et al., 2024)

ไม่จำเป็นต้องจำศัพท์เหล่านี้ให้ได้ทั้งหมด

เมื่ออ่านงานวิจัยที่พูดถึงความแม่นยำ ลองดูว่าทำนายอะไร และคำนวณตัวเลขนั้นอย่างไร เพียงเท่านี้ก็อาจทำให้เราเข้าใจผลการศึกษาได้ต่างออกไป

วันที่บันทึกการวินิจฉัยไม่ใช่วันที่โรคเริ่มต้น

งานวิจัยนี้เชื่อมข้อมูลการตรวจการนอนหลับกับการวินิจฉัยและข้อมูลอื่นที่บันทึกในเวชระเบียนอิเล็กทรอนิกส์ในภายหลัง (Thapa et al., 2026)

ควรแยกวันที่มีการบันทึกการวินิจฉัยออกจากวันที่โรคเริ่มขึ้นในร่างกาย

ความเปลี่ยนแปลงอาจค่อย ๆ ดำเนินไปก่อนที่การตรวจหรือการพบแพทย์ในภายหลังจะนำไปสู่การวินิจฉัย การทำนายว่าจะมีบันทึกการวินิจฉัยจึงไม่ได้ระบุช่วงเวลาที่โรคเริ่มต้น

เช่นเดียวกัน การทำนายโรคจากลักษณะบางอย่างของการนอน ไม่ได้พิสูจน์ว่าลักษณะนั้นเป็นสาเหตุของโรค

ข้อสรุปอย่าง “เพิ่มการหลับลึกแล้วจะป้องกันโรคนี้ได้” ยังต้องอาศัยงานวิจัยเพิ่มเติมที่ใช้วิธีศึกษาอีกแบบ

ข้อมูลมาจากใครก็สำคัญ

บทความ SleepFM ฉบับแรกอธิบายว่าข้อมูลส่วนใหญ่มาจากผู้ที่เข้ารับการตรวจเพราะสงสัยว่ามีปัญหาการนอนหรือมีข้อบ่งชี้ที่เกี่ยวข้อง มีการประเมินบางโรคในประชากรอีกกลุ่ม แต่ไม่สามารถตรวจสอบทุกผลลัพธ์ด้วยวิธีเดียวกันได้ (Thapa et al., 2026)

ประสิทธิภาพในกลุ่มคนที่เข้ารับการตรวจ ไม่จำเป็นต้องใช้ได้เหมือนเดิมกับประชากรทั่วไปที่ใช้ชีวิตตามปกติ

หลักการนี้สำคัญกับ AI ทางการแพทย์โดยรวม

โมเดลช่วยคนที่ต่างจากกลุ่มที่ใช้เรียนรู้ได้หรือไม่? ผลลัพธ์ยังเหมือนเดิมในโรงพยาบาลอื่นหรือช่วงเวลาอื่นหรือไม่? การประเมินควรใกล้เคียงกับสภาพการใช้งานที่ตั้งใจไว้ (Collins et al., 2024)

ทั้งขนาดของชุดข้อมูลและความเกี่ยวข้องกับกลุ่มผู้ใช้เป้าหมายล้วนมีความสำคัญ

จากการเรียนรู้ในห้องตรวจการนอนสู่เซนเซอร์ที่ข้อมือ

งานวิจัยนี้กำลังก้าวต่อไป

SleepFM-2 ซึ่งเผยแพร่ในเดือนกันยายน 2026 และปรับปรุงเมื่อวันที่ 2 ตุลาคม ใช้บันทึกการนอนมากกว่าสองล้านชั่วโมง

AI ลักษณะนี้เรียนรู้คุณลักษณะจากสัญญาณจำนวนมาก แล้วนำไปใช้กับงานต่าง ๆ เช่น การจำแนกระยะการนอนและการทำนายความเสี่ยงโรค เพราะใช้เป็นพื้นฐานของการวิเคราะห์ได้หลายแบบ จึงเรียกว่าโมเดลพื้นฐาน หรือ foundation model

งานศึกษาต่อยอดสำรวจการจำแนกระยะการนอนด้วยสัญญาณ EEG จากอุปกรณ์บนศีรษะและสัญญาณชีพจรที่ข้อมือ รวมถึงการทำนายความเสี่ยงโรคด้วยบันทึกการเคลื่อนไหวของข้อมือ ข้อมูลและวิธีวิเคราะห์แตกต่างกันตามงานที่ทำ (Thapa et al., SleepFM-2, 2026)

ณ วันที่ 19 ตุลาคม 2026 งานนี้ยังเป็นบทความก่อนตีพิมพ์ หรือ preprint ที่ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ จึงต้องอ่านผลการศึกษาควบคู่กับการตรวจสอบยืนยันในอนาคต

คุณลักษณะที่เรียนรู้จากการตรวจการนอนอย่างครบถ้วนจะใช้กับเซนเซอร์ที่เข้าถึงง่ายกว่าได้หรือไม่? นี่เป็นคำถามที่น่าสนใจจากการศึกษาต่อยอดนี้

บันทึกการนอนของ Apple Watch ทำแบบเดียวกันได้ไหม?

อ่านถึงตรงนี้ คุณอาจอยากลองให้ AI ดูกราฟการนอนของตัวเอง

แต่จำนวนนาทีที่หลับลึกหรือคะแนนการนอนบนหน้าจอ ไม่ใช่สิ่งเดียวกับบันทึกสัญญาณทางสรีรวิทยาที่ใช้ในงานวิจัย

เอกสารทางเทคนิคของ Apple ปี 2025 อธิบายการประมาณระยะการนอนของ Apple Watch จากสัญญาณเซนเซอร์วัดความเร่ง นาฬิกาไม่ได้วัดคลื่นสมองโดยตรง (Apple, “Estimating Sleep Stages from Apple Watch”)

แม้เป็นงานวิจัยที่ใช้สัญญาณการเคลื่อนไหวของข้อมือ ก็ไม่ได้หมายความว่าจะใช้เพียงระยะเวลานอนหรือคะแนนที่ปรากฏบนหน้าจอเป็นข้อมูลนำเข้า

เซนเซอร์อะไรเก็บสัญญาณชนิดใด และวิเคราะห์อย่างไร? เมื่อนำผลการวิจัยมาเชื่อมโยงกับอุปกรณ์ในชีวิตประจำวัน ต้องตรวจสอบความแตกต่างเหล่านี้ด้วย

หลังจากทำนายได้ ยังต้องตรวจสอบอะไรอีก?

หากเทคโนโลยีจะช่วยดูแลสุขภาพได้ คุณค่าที่มากกว่าประสิทธิภาพการทำนายก็มีความสำคัญ

เมื่อพบความเสี่ยงสูง จะตามมาด้วยการตรวจหรือการพบแพทย์แบบไหน? การตัดสินใจเหล่านั้นช่วยให้ได้รับการดูแลที่จำเป็นเร็วขึ้นหรือไม่? จะหลีกเลี่ยงการตรวจที่ไม่จำเป็นและภาระที่ตามมาได้ไหม?

โมเดลทำนายทางการแพทย์จำเป็นต้องได้รับการประเมินประโยชน์ในการใช้งานจริงด้วย (Riley et al., 2024)

ข้อมูลการนอนอาจมีเบาะแสสุขภาพที่เรายังใช้ประโยชน์ได้ไม่เต็มที่ AI กำลังค่อย ๆ ขยายความเป็นไปได้นั้น

กราฟการนอนเมื่อเช้าไม่ได้เป็นคำประกาศว่าคุณจะป่วยในอนาคต

ถึงอย่างนั้น การศึกษาร่างกายอย่างละเอียดในแต่ละคืนอาจช่วยให้คนที่ต้องการได้รับการดูแลที่เหมาะสมในวันหนึ่ง SleepFM เป็นงานวิจัยสายหนึ่งที่ชี้ไปยังอนาคตเช่นนั้น