从多重睡眠延迟测试中预测睡眠延迟的预测者:社区样本中的随机森林调查
Jesse D Cook1,2, Filipe Barata3, David T Plante1,2
1Department of Psychiatry, University of Wisconsin-Madison, Madison, Wisconsin, USA.
Journal of sleep research
|April 21, 2025
概括
机器学习在多重睡眠延迟测试 (MSLT) 上确定了平均睡眠延迟 (MSL) 的关键预测因素,包括睡眠开始延迟和昼夜偏好. 然而,该模型的解释能力较低,突出显示了MSLT的复杂性.
科学领域:
- 睡眠医学 睡眠医学
- 计算生物学 计算生物学
- 时间生物学 时间生物学
背景情况:
- 多重睡眠延迟测试 (MSLT) 对于诊断睡眠障碍至关重要.
- 了解预测MSLT平均睡眠延迟 (MSL) 的因素对于准确诊断至关重要.
- 之前的研究还没有充分利用机器学习对高维数据进行预测MSLT MSL.
研究的目的:
- 使用机器学习识别MSLT平均睡眠延迟 (MSL) 的关键预测因素.
- 在一个大型社区样本中探索各种因素和MSLT MSL之间的关系.
- 调查昼夜偏好对MSLTMSL的影响.
主要方法:
- 在来自威斯康星州睡眠队列研究的数据集上应用随机森林 (RF) 算法.
- 利用了50个潜在的预测因素,包括人口统计,健康,睡眠 (日记,多睡眠记录[PSG]) 和昼夜特征.
- 针对RF确定的前10个预测因素进行了回归分析.
主要成果:
- 对于MSLT MSL,RF模型显示了较低的解释值 (R2=12%).
- 关键预测因素包括PSG睡眠开始延迟,昼夜偏好,咖啡因使用和爱普沃思睡眠度量得分.
- 与其他偏好相比,早晨的昼夜偏好与较长的MSLTMSL有关.
结论:
- MSLT的复杂性和可变性限制了当前机器学习模型的预测准确性.
- 循环特征显著影响MSLT MSL,必须考虑.
- 需要进一步的研究来提高MSLT MSL模型的预测能力.


