问题——睡眠能否成为“提前预警”的健康窗口？ 长期以来，睡眠被认为是反映人体健康状况的重要“生命体征”。但在大众层面，睡眠监测往往停留在可穿戴设备提供的睡眠时长、深浅睡比例、心率变异性等指标上，更多用于日常生活方式管理。近日，斯坦福大学团队在国际医学期刊发表研究，提出睡眠基础模型SleepFM：通过分析一夜睡眠中的多种生理信号，可对循环系统、神经系统、精神障碍以及肿瘤等多类疾病风险进行评估，并报告其对个体长期结局具有一定预测能力。该进展引发讨论：睡眠数据是否可能成为比传统单项指标更早、更综合的健康风险“雷达”？ 原因——海量、长周期、临床级信号为模型提供“可学习的生理语言” 研究团队将模型建立在大规模、多来源、长时间跨度的数据之上。训练数据来自超过6.5万名受试者、累计超过58.5万小时的睡眠记录，时间跨度约25年，覆盖睡眠门诊及多家睡眠中心。更关键的是，研究使用的是睡眠医学常用的多导睡眠图（PSG）数据，而非消费级设备的简化指标。PSG可同步采集脑电、心电、肌电、呼吸气流等多模态信号，信息密度高，临床解释体系相对成熟，也让模型有机会识别人工难以察觉的细微模式。 此外，研究强调“时间外验证”：用较早年份的数据训练模型，再用之后年份患者的真实电子病历进行检验，观察其对未来数年风险评估的能力。对慢性病及部分神经退行性疾病来说，潜伏期长、早期症状不明显；如果能在尚无典型临床表现时捕捉到生理信号变化，可能为早筛与早干预提供新的技术路径。 影响——或推动睡眠医学从“症状评估”走向“风险管理”，同时带来新挑战 从积极面看，基于PSG的综合建模有望拓展睡眠检查的应用边界。传统PSG主要用于睡眠呼吸暂停、睡眠结构异常等诊断与分型；而若其信号还能映射心脑血管、代谢、神经系统等多领域风险，睡眠医学的作用可能从“处理睡眠问题”延伸到“整体健康风险管理”。对医疗体系而言，这意味着既有检查项目可能衍生新的临床决策支持工具，为高风险人群筛查、随访和资源配置提供参考。 但也需要正视现实限制与治理议题。首先，PSG属于临床级检查，成本高、流程复杂，难以像可穿戴设备那样高频使用，短期内不太可能直接变成面向公众的“睡一觉就知道健康走向”。其次，模型输出是统计意义上的风险评估，并不等同于临床诊断；不同人群、不同中心、不同设备与采集流程可能造成偏差，如缺乏清晰的适用范围和解释框架，容易引发误读甚至焦虑。再次，涉及长期结局预测时，告知方式、伦理边界与数据安全都必须更谨慎，避免“算法标签化”对个人保险、就业等权益带来潜在影响。 对策——推进前瞻性验证、标准化采集与临床可解释应用 业内普遍认为，类似研究若要进入常规临床应用，需要系统配套：一是开展更严格的前瞻性研究与多中心验证，明确模型在不同年龄、性别、基础疾病与种族人群中的稳定性及边界，并与现有风险评分体系对照评估。二是深入统一PSG信号采集、标注与质控标准，尽量降低机构之间设备与操作差异对模型表现的影响。三是强化模型可解释性与临床路径设计，明确哪些信号变化对应何种随访或检查建议，避免“黑箱结论”替代医生判断。四是完善数据合规治理，落实隐私保护、授权使用与安全存储，并对预测结果的使用场景建立规范，防止不当商业化与滥用。 前景——从临床睡眠中心起步，逐步向可及化、连续化监测延伸 综合来看，SleepFM说明了医学研究的一条路径：依托高质量、长周期临床数据，把多模态生理信号转化为可计算的风险画像。短期内，更现实的落地场景仍在睡眠中心、心脑血管高危人群管理、术前评估或慢病随访等临床环境中，用作辅助工具提供风险提示。中长期看，随着居家睡眠监测设备精度提升、传感器与算法融合发展，以及医疗数据互联互通水平提高，临床级模型向更可及的连续监测形态迁移具备空间，但前提仍是充分的循证证据与清晰的治理规则。
这项研究提示，人体睡眠中的生理信号可能蕴含更深层的健康信息，也为从“治已病”走向“防未病”提供了新的技术抓手。随着算法迭代、数据标准与合规体系完善，基于生物信号的健康风险预警有望在未来形成更成熟的应用体系，为疾病早筛、公共卫生管理以及提升生活质量提供支撑。