混合神经网络和机器学习模型,改进了对肠道微生物群对子宫内膜异位症患者睡眠质量影响的优化方法

科学领域:

• 微生物组研究的研究.
• 睡眠科学 睡眠科学
• 妇科卫生保健 妇科卫生保健

背景情况:

• 子宫内膜异位症显著影响妇女的生活质量,经常影响睡眠.
• 人们越来越认识到肠道微生物组在生理调节中的作用,包括睡眠和清醒周期.
• 了解肠道微生物对子宫内膜异位症睡眠的影响对于开发新干预措施至关重要.

研究的目的:

• 研究肠道微生物组组成和子宫内膜异位症患者的睡眠质量之间的关系.
• 评估各种机器学习模型的预测性能,包括混合方法,对这一群体的睡眠质量.
• 为了确定与子宫内膜异位症睡眠障碍相关的特定肠道微生物群和生活方式因素.

主要方法:

• 在200名子宫内膜异位症患者的肠道微生物组合 (Bacteroides,Prevotella,Ruminococcus,Lactobacillus,Faecalibacterium,Akkermansia) 的分析.
• 应用先进的机器学习模型:人工神经网络 (ANN) 和支持向量回归 (SVR).
• 混合模型的开发和应用:ANN-改进的粒子集群优化 (IPSO) 和SVR-IPSO,以提高预测准确度.

主要成果:

• 在子宫内膜异位症患者的特定肠道微生物群和睡眠质量之间发现了显著的关联.
• 混合机器学习模型 (ANN-IPSO,SVR-IPSO) 与传统的ANN和SVR相比显示出更高的准确性.
• 在IPSO的本地搜索优化改进了混合模型的参数校准,提高了预测能力.

结论:

• 肠道微生物组的组成与子宫内膜异位症妇女的睡眠质量有显著联系.
• 混合机器学习方法在基于微生物组和生活方式数据的睡眠质量预测方面提供了更高的准确性.
• 对肠道微生物组影响睡眠的机制的进一步研究可能会揭示与子宫内膜异位症相关的睡眠问题的新治疗策略.