Анализируя демографические данные, данные об образе жизни, результаты медицинского осмотра и лабораторные показатели, новый алгоритм машинного обучения может точно предсказать, подвержен ли человек риску нарушения сна. Возраст, вес и депрессия — три фактора, которые технология искусственного интеллекта определила как важные предикторы бессонницы.
Согласно новому исследованию, опубликованному в научном журнале с открытым доступом PLOS ONE Сэмюэлем Хуангом (Samuel Y. Huang) из Медицинской школы Университета Содружества Вирджинии (Virginia Commonwealth University School of Medicine), модель машинного обучения может эффективно прогнозировать риск расстройства сна у пациента, используя демографические данные и данные об образе жизни, результаты физического осмотра и лабораторные данные.
Распространенность диагностированных нарушений сна среди людей значительно увеличилась за последнее десятилетие. Эту тенденцию важно лучше понять и обратить вспять, поскольку нарушения сна являются важным фактором риска развития диабета, сердечных заболеваний, ожирения и депрессии.
Материалы и методы исследования
В новой работе исследователи использовали модель машинного обучения XGBoost для анализа общедоступных данных о 7 929 пациентах в США, прошедших Национальное обследование состояния здоровья и питания. Данные содержали 684 переменных для каждого пациента, включая демографические, диетические, физические упражнения и ответы на вопросы анкеты о психическом здоровье, а также информацию о лабораторных исследованиях и физикальном обследовании.
Депрессия, вес, возраст и окружность талии — факторы бессонницы
2302 пациентам, участвовавшии в исследовании, врач поставил диагноз расстройства сна. XGBoost смог спрогнозировать риск расстройства сна с высокой точностью, используя 64 из всех переменных, включенных в полный набор данных. Согласно модели машинного обучения, основными предикторами расстройства сна были депрессия, вес, возраст и окружность талии.
Авторы приходят к выводу, что методы машинного обучения могут быть эффективными первыми шагами в скрининге пациентов на риск нарушения сна, не полагаясь на мнение или предвзятость врача.
Сэмюэл Ю. Хуанг заключает: “Что отличает это исследование факторов риска бессонницы от других, так это то, что мы видим не только то, что депрессивные симптомы, возраст, употребление кофеина, застойная сердечная недостаточность в анамнезе, боли в груди, ишемическая болезнь сердца, заболевания печени и 57 других переменных связаны с бессонницей, но и визуализируем вклад каждого из них в прогностической модели».
Авторы другого исследования утверждают, что нарушение сна связано с более низким качеством жизни, связанным со здоровьем, у детей
Ведущий специалист отдела организации клинических исследований, терапевт, врач ультразвуковой диагностики АО «СЗМЦ» (г. Санкт-Петербург), главный редактор, учредитель сетевого издания Medical Insider, а также автор статей
E-mail для связи – [email protected];
