مدل یادگیری ماشینی اختلالات خواب را از سوابق بیمار پیش بینی می کند

بر اساس مطالعه جدیدی که این هفته در مجله دسترسی آزاد منتشر شد، یک مدل یادگیری ماشینی می تواند به طور موثری خطر ابتلا به اختلال خواب بیمار را با استفاده از داده های جمعیت شناختی و شیوه زندگی، نتایج معاینه فیزیکی و مقادیر آزمایشگاهی پیش بینی کند. PLOS ONE توسط ساموئل ی. هوانگ از دانشکده پزشکی دانشگاه مشترک المنافع ویرجینیا، و الکساندر آ. هوانگ از دانشکده پزشکی دانشگاه نورث وسترن فاینبرگ، ایالات متحده

شیوع اختلالات خواب تشخیص داده شده در بین بیماران آمریکایی در دهه گذشته به طور قابل توجهی افزایش یافته است. این روند برای درک بهتر و معکوس کردن آن مهم است زیرا اختلالات خواب یک عامل خطر مهم برای دیابت، بیماری قلبی، چاقی و افسردگی است.

در کار جدید، محققان از مدل یادگیری ماشین XGBoost برای تجزیه و تحلیل داده‌های در دسترس عموم در مورد ۷۹۲۹ بیمار در ایالات متحده استفاده کردند که نظرسنجی ملی سلامت و تغذیه را تکمیل کردند. داده ها شامل 684 متغیر برای هر بیمار شامل پاسخ های دموگرافیک، رژیم غذایی، ورزش و سلامت روان و همچنین اطلاعات آزمایشگاهی و معاینه فیزیکی بود.

به طور کلی، 2302 بیمار در این مطالعه تشخیص پزشک از اختلال خواب داشتند. XGBoost می‌تواند خطر تشخیص اختلال خواب را با دقت قوی (AUROC=0.87، حساسیت=0.74، ویژگی=0.77) با استفاده از 64 متغیر از کل متغیرهای موجود در مجموعه داده کامل پیش‌بینی کند. بزرگترین پیش بینی کننده اختلال خواب، بر اساس مدل یادگیری ماشین، افسردگی، وزن، سن و دور کمر بود.

نویسندگان به این نتیجه رسیدند که روش‌های یادگیری ماشین ممکن است اولین گام‌های موثر در غربالگری بیماران از نظر خطر اختلال خواب بدون تکیه بر قضاوت یا سوگیری پزشک باشد.

ساموئل ی. هوانگ می افزاید: «آنچه این مطالعه را در مورد عوامل خطر بی خوابی از دیگران متمایز می کند این است که نه تنها علائم افسردگی، سن، مصرف کافئین، سابقه نارسایی احتقانی قلب، درد قفسه سینه، بیماری عروق کرونر، بیماری کبد و… 57 متغیر دیگر با بی خوابی مرتبط هستند، اما نقش هر یک را در یک مدل بسیار پیش بینی تجسم می کنند.”

ارائه شده توسط کتابخانه عمومی علوم