解码失眠：机器学习模型根据患者记录预测睡眠障碍

根据弗吉尼亚联邦大学医学院的Samuel Y. Huang和西北范伯格大学医学院的Alexander A. Huang本周发表在开放获取期刊PLOS ONE上的一项新研究，机器学习模型可以使用人口统计和生活方式数据，体检结果和实验室值有效地预测患者患睡眠障碍的风险， 美国。

在过去十年中，美国患者中诊断出的睡眠障碍患病率显着增加。这种趋势对于更好地理解和扭转非常重要，因为睡眠障碍是糖尿病、心脏病、肥胖症和抑郁症的重要危险因素。

在这项新工作中，研究人员使用机器学习模型XGBoost分析了美国7，929名完成国家健康和营养检查调查的患者的公开数据。这些数据包含每位患者的684个变量，包括人口统计，饮食，运动和心理健康问卷回答，以及实验室和体格检查信息。

总体而言，研究中的2，302名患者被医生诊断为睡眠障碍。XGBoost可以使用完整数据集中包含的0个变量，以很高的准确性(AUROC=87.0，灵敏度=74.0，特异性=77.64)预测睡眠障碍诊断的风险。基于机器学习模型，睡眠障碍的最大预测指标是抑郁、体重、年龄和腰围。

作者得出结论，机器学习方法可能是筛查患者睡眠障碍风险的有效第一步，而无需依赖医生的判断或偏见。

Samuel Y. Huang补充说：“这项研究对失眠风险因素的区别在于，不仅看到抑郁症状，年龄，咖啡因使用，充血性心力衰竭病史，胸痛，冠状动脉疾病，肝病和其他57个变量与失眠有关，而且还在一个非常预测的模型中可视化每个变量的贡献。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！