睡眠資料能預測未來的疾病嗎？

一晚的睡眠包含許多資訊

說到睡眠紀錄，你可能先想到睡了幾個小時。

醫療機構等進行的詳細睡眠檢查會收集更多資訊。

腦波、心臟活動、呼吸、血氧和肌肉動作：身體上的感測器整晚記錄這些訊號。這項檢查叫多項生理睡眠檢查，簡稱PSG（NHLBI，“Sleep Studies”）。

這些檢查用於調查睡眠呼吸中止症等睡眠問題。

紀錄不僅包括睡了多久，也包括期間身體如何活動。研究者正在探索能否更充分地利用這些豐富資訊來理解健康。

學習約6.5萬人睡眠資料的AI

SleepFM研究於2026年1月發表在醫學期刊《Nature Medicine》。

研究團隊使用了約6.5萬人、超過58.5萬小時的睡眠檢查資料進行學習。模型處理多種生理訊號，預測疾病風險時還結合年齡和性別。

研究報告，一晚的紀錄對後來失智症、心肌梗塞等健康事件具有預測表現。例如，失智症預測的C-index指標為0.85（Thapa等，2026年）。

那麼，0.85究竟說明預測有多準？

0.85不是你發病的機率

C-index衡量事件實際發生的先後順序，與AI給出的風險排序有多一致。

大致來說，在可以比較的兩個人中，實際更早發生事件的人，是否也被AI評為更高風險。

因此，0.85不能讀成「自己有85%的機率罹患失智症」，也不意味著「100個人中診斷對了85個」。

能排好風險順序，與能準確給出「未來幾年內百分之幾」的機率，也需要分別評估。檢查預測機率與實際發生比例是否相符，叫作校準（Riley等，2024年）。

不用記住每個術語。

看到研究談準確度時，問一問它預測什麼、數字如何計算。多確認這一步，就能改變對結果的理解。

診斷被記錄的日期，不等於疾病開始的日期

這項研究將睡眠檢查紀錄與隨後電子病歷中的病名等資訊連結起來（Thapa等，2026年）。

需要分開考慮的是診斷被記錄的日期，以及疾病在身體裡開始的日期。

身體變化可能已經逐漸發生，直到之後的檢查或就診才有了診斷。預測到紀錄中的診斷，不代表找到了疾病開始的瞬間。

同樣，從睡眠特徵預測疾病，也沒有證明該睡眠特徵就是疾病的原因。

要得出「增加深睡就能預防這種病」之類結論，還需要進一步、不同類型的研究。

用誰的資料驗證，也很重要

SleepFM原論文說明，許多資料來自因疑似睡眠問題等原因接受檢查的人。研究也在另一人群中驗證了部分疾病，但並非所有項目都能以相同方式確認（Thapa等，2026年）。

接受檢查者的資料所得成績，不一定能原樣應用於日常生活中的廣泛人群。

這個原則對醫療AI普遍重要。

對不同於學習資料中的人是否有用？換一家醫院或換一個時期，結果還能保持嗎？需要在接近實際用途的條件下評估（Collins等，2024年）。

資料規模與對目標使用者的適用性，兩者都值得關注。

把睡眠檢查中學到的AI用於手腕感測器

這項研究還在向前發展。

2026年9月公開、10月2日修訂的SleepFM-2，使用了超過200萬小時的睡眠紀錄。

AI從大量訊號中學習特徵，再用於睡眠階段判斷或疾病風險預測等任務。因為它為不同分析提供基礎，所以稱為基礎模型。

續篇嘗試用頭戴腦電設備與手腕脈波推測睡眠階段，也嘗試用手腕動作紀錄預測疾病風險。不同任務使用的資料和分析方法不同（Thapa等，SleepFM-2，2026年）。

不過，截至2026年10月19日，這項工作以尚未經過同儕審查的預印本形式公開。結果需要結合後續驗證來理解。

在詳細睡眠檢查中學到的特徵，能否用於更容易使用的感測器？這是續篇有趣的地方。

Apple Watch的睡眠紀錄也能做到同樣的事嗎？

讀到這裡，你也許想把自己的睡眠圖表交給AI試試。

但螢幕上的深睡分鐘數或睡眠分數，與研究使用的生理訊號紀錄並不是同一種資訊。

Apple在2025年的技術資料中說明，Apple Watch根據加速度感測器的訊號推測睡眠階段，並不直接測量腦波（Apple，“Estimating Sleep Stages from Apple Watch”）。

即使研究使用手腕動作訊號，也不一定只輸入螢幕上可見的睡眠時長或分數。

哪個感測器收集了哪些訊號，又如何分析？把研究結果連結到日常設備時，需要確認這些差異。

預測成功之後，還要確認什麼？

技術要幫助健康，預測成績之外的價值也很重要。

高風險結果該連結到什麼檢查或諮詢？這些決定能否更早帶來必要照護？能否避免不必要的檢查與負擔？

醫療預測模型也需要評估這樣的實際用途（Riley等，2024年）。

睡眠資料可能包含尚未充分利用的健康線索。AI正逐漸拓展這種可能。

今早的睡眠圖表，並不是宣告未來疾病的預告。

不過，仔細研究每晚身體的活動，也許有一天能幫助需要的人更及時得到適當照護。SleepFM是通向這種未來的一條研究路徑。