睡眠中的生理「失聯」：AI從12.4萬份檢查追出神經退化風險線索

一夜睡眠記錄的不只是呼吸與腦波，也可能留下多年後健康變化的微弱痕跡。一篇新發布的預印本顯示，研究人員利用人類督導的多代理AI分析約12.4萬份多項睡眠生理檢查，在大腦與其他生理系統的協調程度中，找到與後續神經退化疾病診斷相關的訊號。

這套名為AI Sleep Co-Scientist的環境並非自行完成研究。睡眠專家先設定方向，再由不同代理分工產生假說、設計訊號前處理流程及執行統計分析；研究人員會審查中間結果，正式選擇假說與啟動全資料分析也須經人工確認。系統並把論文中的數字、圖表連回可執行程式碼，試圖降低大型語言模型產生錯誤分析或無法追溯結論的風險。

研究涵蓋四個臨床與流行病學資料庫，合計逾50 TB原始訊號，並以五項案例檢驗疾病風險、臨床表型與睡眠調節。最受矚目的分析聚焦「生理耦合」：睡眠時不同腦區，以及大腦、心臟、肌肉與眼動之間的活動，是否維持穩定協調。研究以史丹福睡眠門診資料進行探索，再以另一套Human Sleep Project資料重複比較。

結果顯示，在第二期非快速動眼睡眠中，大腦區域間的耦合每降低一個標準差，日後被記錄為帕金森氏症診斷的風險比為1.48，阿茲海默症則為1.38；兩者的95%信賴區間分別為1.31至1.67及1.25至1.53。較低的大腦—心臟耦合也與後續帕金森氏症、阿茲海默症及失智症診斷相關。不過，跨資料庫整體效應型態僅呈中度一致，顯示不同醫療場域、病人組成與量測條件仍會影響訊號。

AI還協助建立由睡眠結構、呼吸與血氧、自律神經及腦心互動等七個領域組成的「睡眠年齡」模型。保留生理模組後再整合預測的做法，在兩個資料庫都比直接混合全部特徵稍準確；其年齡殘差亦與多種心血管、腎臟及呼吸疾病相關。其他案例則描繪失眠合併睡眠呼吸中止症的覺醒特徵、快速動眼睡眠的調節，以及第一型嗜睡症的腦波振盪差異。

這些結果目前不能解讀為睡眠耦合下降會造成神經退化，也不能把一次睡眠檢查當成個人篩檢工具。研究採回溯性設計，資料多來自轉診患者或特定流行病學族群，疾病終點主要依醫療紀錄中的診斷碼判定；未量測的共病、藥物與就醫差異都可能造成混雜。論文也尚未通過同儕審查，現階段較適合把這些訊號視為可供前瞻研究驗證的假說，而非成熟的臨床生物標記。

這項工作的真正進展，或許不只是找到一組風險關聯，而是展示AI如何介入龐大生理資料的科學探索流程。能追溯程式碼、保留專家決策並在不同資料庫檢查結果，是比全自動研究更務實的設計；下一步仍須由獨立團隊重現分析，並在事先設定、具代表性的追蹤研究中確認其增益是否超越年齡、病史與既有睡眠指標。