基于数据的发现核心睡眠生物标志物用于预测健康人群中早期心脏代谢风险,使用机器学习

科学领域:

• 心脏病学 心脏病学
• 睡眠医学 睡眠医学
• 生物标志物发现发现

背景情况:

• 在健康个体中确定心脏代谢风险的早期生物标志物是具有挑战性的.
• 各种睡眠指标对健康预测的等级重要性在很大程度上是未知的.
• 这项研究解决了需要客观,数据驱动的睡眠相关的心脏代谢风险的生理驱动因素的识别.

研究的目的:

• 客观地识别与睡眠相关的核心生理驱动因素,用机器学习方法预测过渡到早期心脏代谢风险.
• 超越传统的睡眠指标,确定关键生物标志物.
• 建立一个数据驱动的基础,用于精确的预防医学.

主要方法:

• 从睡眠心脏健康研究 (SHHS) 中对447名健康参与者的纵向分析.
• 利用LASSO (L1-规范) 逻辑回归来从16个临床和多睡眠学特征中进行数据驱动的生物标志物选择.
• 采用严格的数据质量审计和10次重复的10倍交叉验证来评估模型.

主要成果:

• 拉索回归确定了六个核心预测因素,其中呼吸障碍指数 (RDI) 和最小夜间氧和 (min_spo2) 是最重要的.
• 与所有16个特征 (平均AUC = 0.669,p<0.0001) 的模型相比,节的LASSO模型实现了优异的预测性能 (平均AUC = 0.698).
• 这些关键生物标志物表现优于传统的睡眠碎片化指标,如兴奋指数,并在高风险子组中保持强.

结论:

• 睡眠呼吸障碍和夜间低氧化症引起的生理压力,而不是一般的睡眠碎片化,是早期心脏代谢风险的主要驱动因素.
• 这些发现为精准预防医学提供了具体的,可翻译的目标,并为早期风险发展提供了新的机制.
• 这项研究为开发下一代查工具提供了一个蓝图,有可能被整合到可穿戴技术中.