Satu Malam Tidur Ungkap Risiko 130 Penyakit: Cara Kerja AI SleepFM dari Stanford

Bayangkan jika prosedur polisomnografi malam hari biasa—malam emas di laboratorium tidur dengan puluhan kabel terpasang di kepala, dada, dan kaki—tidak hanya mengungkap apnea tidur dan kualitas tidur, tetapi juga mampu memprediksi penyakit serius yang baru akan muncul 5, 10, atau bahkan 15 tahun ke depan. Inilah klaim mengejutkan dari para ilmuwan Universitas Stanford dalam sebuah artikel yang dipublikasikan di jurnal Nature Medicine pada Januari 2026.

Sebuah tim yang dipimpin oleh Emmanuel Mignot, salah satu peneliti tidur paling terkemuka di dunia, bersama James Zou, telah mengembangkan SleepFM. Ini adalah model kecerdasan buatan fundamental berskala besar, serupa filosofinya dengan model bahasa modern seperti ChatGPT, namun alih-alih membaca teks, model ini 'membaca' sinyal fisiologis dari tidur.

Dasar pengembangan model ini adalah kumpulan data masif: hampir 585 ribu jam rekaman polisomnografi yang dikumpulkan dari sekitar 65 ribu individu dari berbagai kelompok. Kelompok terbesar berasal dari arsip Pusat Kedokteran Tidur Stanford selama 25 tahun. Data ini mencakup gigabita informasi setiap malam, termasuk EEG otak, EKG jantung, aliran pernapasan, kadar oksigen, gerakan mata dan kaki, serta tonus otot.

Biasanya, data semacam ini digunakan secara sangat spesifik: satu model untuk menentukan tahapan tidur, model lain untuk menghitung apnea, dan seterusnya. Namun, para peneliti Stanford mengambil pendekatan berbeda. Mereka melatih model ini untuk secara mandiri memahami bahasa tubuh selama tidur, tanpa memerlukan anotasi diagnosis dari dokter untuk ribuan kasus. SleepFM mengamati aktivitas jantung, pernapasan, dan otot, lalu belajar merekonstruksi aktivitas otak (dan sebaliknya). 'Interogasi silang' sinyal yang dipaksakan ini membantu AI menangkap hubungan fisiologis yang mendalam.

Hasilnya sungguh luar biasa: hanya dari satu malam tidur, model ini mampu memprediksi risiko pengembangan lebih dari 130 penyakit berbeda dengan tingkat akurasi yang baik (C-index 0.75 atau lebih tinggi, dan untuk banyak kondisi mencapai >0.80–0.89). Beberapa prediksi yang sangat akurat meliputi:

• Penyakit neurodegeneratif: Demensia (sekitar 0.85), Penyakit Parkinson (sekitar 0.89)
• Penyakit kardiovaskular: Infark miokard (sekitar 0.81), fibrilasi atrium, gagal jantung, penyakit jantung hipertensi
• Penyakit onkologis: Beberapa jenis kanker (prostat, payudara, dan lainnya—hingga 0.87–0.89)
• Selain itu, stroke, penyakit ginjal kronis, komplikasi kehamilan, gangguan kejiwaan, bahkan mortalitas umum.

Sebuah poin teknis penting adalah ketahanan model ini terhadap variasi perangkat sensor dan kualitas rekaman. Jika salah satu saluran mengalami noise atau bahkan hilang, SleepFM akan mengalihkan perhatiannya ke sinyal lain dan tetap berfungsi. Hal ini menjadikannya jauh lebih realistis untuk aplikasi di masa depan.

Prospeknya memang sangat menarik. Saat ini, SleepFM dilatih menggunakan 'standar emas' yaitu polisomnografi klinis. Namun, para penulis menyatakan bahwa jika kualitas sinyal dari perangkat yang dapat dikenakan (seperti jam tangan pintar, cincin, sensor dada, atau pelacak rumahan) terus meningkat, model serupa dapat segera memasuki penggunaan massal.

Pada dasarnya, tidur malam biasa bukan sekadar 'pengisian ulang daya', melainkan sebuah 'skrining' alami, gratis, dan sangat informatif untuk seluruh tubuh. Mungkin dalam beberapa tahun ke depan, frasa 'jalani polisomnografi' akan terdengar mirip dengan 'lakukan tes darah lengkap' saat ini—hanya saja tanpa jarum suntik dan jauh lebih informatif.

Meskipun masih jauh dari penerapan luas (memerlukan validasi independen skala besar, persetujuan regulasi, dan adaptasi untuk perangkat yang dapat dikenakan), arah yang dituju sangatlah kuat. Tidur sesungguhnya berpotensi menjadi 'tanda vital' baru yang paling penting di abad ke-21.