导读 根据弗吉尼亚州塞缪尔·黄 (Samuel Y Huang)本周在开放获取期刊 PLOS ONE 上发表的一项新研究,机器学习模型可以使用人口统计和生活
根据弗吉尼亚州塞缪尔·黄 (Samuel Y. Huang)本周在开放获取期刊 PLOS ONE 上发表的一项新研究,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预测患者睡眠障碍的风险联邦大学医学院和美国西北范伯格大学医学院的 Alexander A. Huang
在过去十年中,美国患者中诊断出睡眠障碍的患病率显着增加。由于睡眠障碍是糖尿病、心脏病、肥胖症和抑郁症的重要危险因素,因此对于更好地理解和扭转这一趋势很重要。
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。数据包含每位患者的 684 个变量,包括人口统计学、饮食、运动和心理健康问卷回答,以及实验室和体检信息。
总体而言,该研究中有 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总变量中的 64 个,以很高的准确性(AUROC=0.87,灵敏度=0.74,特异性=0.77)预测睡眠障碍诊断的风险。根据机器学习模型,睡眠障碍的最大预测因素是抑郁、体重、年龄和腰围。
作者得出结论,机器学习方法可能是在不依赖医生判断或偏见的情况下筛查患者睡眠障碍风险的有效第一步。
Samuel Y. Huang 补充道,“这项关于失眠危险因素的研究与其他研究的不同之处在于,不仅看到了抑郁症状、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57 个其他变量与失眠有关,但也在一个非常有预测性的模型中可视化每个变量的贡献。”
标签:
免责声明:本文由用户上传,如有侵权请联系删除!