睡眠数据能预测未来的疾病吗？

一晚的睡眠包含许多信息

说到睡眠记录，你可能先想到睡了几个小时。

医疗机构等进行的详细睡眠检查会收集更多信息。

脑波、心脏活动、呼吸、血氧和肌肉动作：身体上的传感器整晚记录这些信号。这项检查叫多导睡眠监测，简称PSG（NHLBI，“Sleep Studies”）。

这些检查用于调查睡眠呼吸暂停等睡眠问题。

记录不仅包括睡了多久，也包括期间身体如何活动。研究者正在探索能否更充分地利用这些丰富信息来理解健康。

学习约6.5万人睡眠数据的AI

SleepFM研究于2026年1月发表在医学期刊《Nature Medicine》。

研究团队使用了约6.5万人、超过58.5万小时的睡眠检查数据进行学习。模型处理多种生理信号，预测疾病风险时还结合年龄和性别。

研究报告，一晚的记录对后来痴呆、心肌梗死等健康事件具有预测性能。例如，痴呆预测的C-index指标为0.85（Thapa等，2026年）。

那么，0.85究竟说明预测有多准？

0.85不是你发病的概率

C-index衡量事件实际发生的先后顺序，与AI给出的风险排序有多一致。

大致来说，在可以比较的两个人中，实际更早发生事件的人，是否也被AI评为更高风险。

因此，0.85不能读成“自己有85%的概率患痴呆”，也不意味着“100个人中诊断对了85个”。

能排好风险顺序，与能准确给出“未来几年内百分之几”的概率，也需要分别评估。检查预测概率与实际发生比例是否相符，叫作校准（Riley等，2024年）。

不用记住每个术语。

看到研究谈准确度时，问一问它预测什么、数字如何计算。多确认这一步，就能改变对结果的理解。

诊断被记录的日期，不等于疾病开始的日期

这项研究将睡眠检查记录与随后电子病历中的病名等信息连接起来（Thapa等，2026年）。

需要分开考虑的是诊断被记录的日期，以及疾病在身体里开始的日期。

身体变化可能已经逐渐发生，直到之后的检查或就诊才有了诊断。预测到记录中的诊断，不代表找到了疾病开始的瞬间。

同样，从睡眠特征预测疾病，也没有证明该睡眠特征就是疾病的原因。

要得出“增加深睡就能预防这种病”之类结论，还需要进一步、不同类型的研究。

用谁的数据验证，也很重要

SleepFM原论文说明，许多数据来自因疑似睡眠问题等原因接受检查的人。研究也在另一人群中验证了部分疾病，但并非所有项目都能以相同方式确认（Thapa等，2026年）。

接受检查者的数据所得成绩，不一定能原样应用于日常生活中的广泛人群。

这个原则对医疗AI普遍重要。

对不同于学习数据中的人是否有用？换一家医院或换一个时期，结果还能保持吗？需要在接近实际用途的条件下评估（Collins等，2024年）。

数据规模与对目标使用者的适用性，两者都值得关注。

把睡眠检查中学到的AI用于手腕传感器

这项研究还在向前发展。

2026年9月公开、10月2日修订的SleepFM-2，使用了超过200万小时的睡眠记录。

AI从大量信号中学习特征，再用于睡眠阶段判断或疾病风险预测等任务。因为它为不同分析提供基础，所以称为基础模型。

续篇尝试用头戴脑电设备与手腕脉搏波推测睡眠阶段，也尝试用手腕动作记录预测疾病风险。不同任务使用的数据和分析方法不同（Thapa等，SleepFM-2，2026年）。

不过，截至2026年10月19日，这项工作以尚未经过同行评审的预印本形式公开。结果需要结合后续验证来理解。

在详细睡眠检查中学到的特征，能否用于更易接近的传感器？这是续篇有趣的地方。

Apple Watch的睡眠记录也能做到同样的事吗？

读到这里，你也许想把自己的睡眠图表交给AI试试。

但屏幕上的深睡分钟数或睡眠分数，与研究使用的生理信号记录并不是同一种信息。

Apple在2025年的技术资料中说明，Apple Watch根据加速度传感器的信号推测睡眠阶段，并不直接测量脑波（Apple，“Estimating Sleep Stages from Apple Watch”）。

即使研究使用手腕动作信号，也不一定只输入屏幕上可见的睡眠时长或分数。

哪个传感器收集了哪些信号，又如何分析？把研究结果连接到日常设备时，需要确认这些差异。

预测成功之后，还要确认什么？

技术要帮助健康，预测成绩之外的价值也很重要。

高风险结果该连接到什么检查或咨询？这些决定能否更早带来必要照护？能否避免不必要的检查与负担？

医疗预测模型也需要评估这样的实际用途（Riley等，2024年）。

睡眠数据可能包含尚未充分利用的健康线索。AI正逐渐拓展这种可能。

今早的睡眠图表，并不是宣告未来疾病的预告。

不过，仔细研究每晚身体的活动，也许有一天能帮助需要的人更及时得到适当照护。SleepFM是通向这种未来的一条研究路径。