问题：许多慢性病和神经退行性疾病出现明显症状前，机体的调节功能已发生细微变化，这些变化往往最先体现在睡眠结构、呼吸节律、心率变异和肌张力等指标上。传统筛查方法主要依赖问诊、影像或化验，时间点较晚，且睡眠评估在临床实践中因人力成本和解读难度受限，导致早期信号难以被充分利用。如何将复杂的睡眠数据转化为可操作的风险提示，成为预防医学和慢病管理的重要课题。 原因：睡眠是一个多系统协同的生理过程，涉及大脑神经活动、呼吸循环调控、肌肉张力与觉醒反应的复杂互动。以往研究多聚焦于单一指标与特定疾病的关联，例如鼾声与呼吸暂停、快速眼动期比例与认知功能等，容易忽视不同信号之间的联动关系，难以构建适用于多种疾病的统一识别框架。此次研究的关键突破在于引入大规模、长跨度的数据，并以多导睡眠图（睡眠评估的“金标准”）为基础，整合脑电、心电、眼动、呼吸及肌电等多类信号，从系统层面解析睡眠生理学的复杂模式。 影响：研究人员开发的SleepFM模型基于6.5万名参与者、总计近60万小时的多导睡眠图数据进行训练，其中约3.5万人的数据来自斯坦福睡眠中心，涵盖25年的睡眠与健康随访记录。研究将睡眠数据切分为5秒片段作为基本单元，使模型能够捕捉细微的瞬时变化与阶段转换。通过对健康记录中1000多种疾病的分析，模型发现约130种疾病可通过一晚的睡眠数据实现较准确的风险预测，尤其在帕金森病、痴呆症、发育迟缓以及心脑血管疾病上表现突出；部分肿瘤中，对前列腺癌、乳腺癌和皮肤癌的预测准确率较高。有关成果已发表于《自然-医学》杂志。这个研究提示，睡眠数据不仅能用于诊断睡眠障碍，还可能成为多种疾病的“前哨指标”，为早期干预提供线索。 对策：从应用角度看，这类模型的价值在于辅助而非替代临床诊断。一上，可睡眠医学中心、综合医院体检及高危人群管理中作为风险分层工具，帮助医生快速识别需深入检查的对象，提升筛查效率；另一上，推动睡眠监测从简单的“是否打鼾或呼吸暂停”判断，升级为“多系统异常联动”的综合评估。同时，推广过程中需注意三点：一是提升数据质量与可比性，建立跨地区、跨人群的标准化采集与标注体系；二是加强结果的可解释性与临床验证，明确特定睡眠特征组合与风险变化的关联，避免混淆相关性与因果；三是完善隐私保护与数据治理，规范数据使用边界与告知机制，防止健康信息滥用。 前景：随着可穿戴设备、家庭睡眠监测和医疗信息系统的发展，睡眠数据的获取将更加便捷。但多导睡眠图作为专业检查，成本和场景仍有限；未来更可能形成“医院金标准数据用于训练与校准、家庭监测用于长期随访”的组合模式。若模型能在更多真实世界队列中验证稳定性，并与现有风险评估体系、体检指标及遗传、生活方式信息结合，有望为公共卫生策略提供更精准的早筛工具，推动慢病管理从“发现后治疗”向“风险前管理”转变。不过，模型在不同人群中的适用范围、误差来源及干预效果仍需进一步研究，相关结论也需在更广泛人群中验证。
当三分之一的生命在睡眠中流逝，这项突破揭示了沉睡数据中隐藏的健康密码。在人口老龄化与慢性病负担加重的背景下，科技创新正将“防大于治”的医学理念变为现实。如何平衡技术红利与伦理边界，将成为全球医学科研下一阶段的重要议题。