根據(jù)弗吉尼亞州塞繆爾·黃 (Samuel Y. Huang)本周在開放獲取期刊 PLOS ONE 上發(fā)表的一項新研究，機器學習模型可以使用人口統(tǒng)計和生活方式數(shù)據(jù)、體檢結果和實驗室值有效預測患者睡眠障礙的風險聯(lián)邦大學醫(yī)學院和美國西北范伯格大學醫(yī)學院的 Alexander A. Huang
在過去十年中，美國患者中診斷出睡眠障礙的患病率顯著增加。由于睡眠障礙是糖尿病、心臟病、肥胖癥和抑郁癥的重要危險因素，因此對于更好地理解和扭轉這一趨勢很重要。
在這項新工作中，研究人員使用機器學習模型XGBoost 分析了美國 7,929 名完成國家健康和營養(yǎng)檢查調查的患者的公開數(shù)據(jù)。數(shù)據(jù)包含每位患者的 684 個變量，包括人口統(tǒng)計學、飲食、運動和心理健康問卷回答，以及實驗室和體檢信息。
總體而言，該研究中有 2,302 名患者被醫(yī)生診斷為睡眠障礙。XGBoost 可以使用完整數(shù)據(jù)集中包含的總變量中的 64 個，以很高的準確性(AUROC=0.87，靈敏度=0.74，特異性=0.77)預測睡眠障礙診斷的風險。根據(jù)機器學習模型，睡眠障礙的最大預測因素是抑郁、體重、年齡和腰圍。
作者得出結論，機器學習方法可能是在不依賴醫(yī)生判斷或偏見的情況下篩查患者睡眠障礙風險的有效第一步。
Samuel Y. Huang 補充道，“這項關于失眠危險因素的研究與其他研究的不同之處在于，不僅看到了抑郁癥狀、年齡、咖啡因使用、充血性心力衰竭病史、胸痛、冠狀動脈疾病、肝病和57 個其他變量與失眠有關，但也在一個非常有預測性的模型中可視化每個變量的貢獻。”
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！