生理睡眠测量预测社区成人的时间至15年死亡率:一种新的机器学习框架的应用( Physiological sleep measures predict time to 15-year mortality in community adults: Application of a novel machine learning framework )

Meredith L. Wallace Timothy S. Coleman Lucas K. Mentch Daniel J. Buysse Jessica L. Graves Erika W. Hagen Martica H. Hall Katie L. Stone Susan Redline Paul E. Peppard hypoxaemia rapid eye movement risk screening sleep efficiency

明确生理睡眠测量是否能预测死亡率可以为风险筛查提供依据；然而，这种调查应该考虑到健康风险因素之间的复杂和潜在的非限制性线性关系。我们的目的是利用一个新的置换随机森林(PRF)机器学习框架，建立多导睡眠图(PSG)和睡眠测量对死亡率的预测效用。从1995年到现在收集的数据来自睡眠心脏健康研究（SHHS；n=5734)和威斯康辛州睡眠队列研究（WSCS；n=1015)，包括睡眠和健康的初步评估，以及随访至多15年的所有暂停死亡率。我们应用PRF模型量化了24项测量的预测能力，这些测量分为五个领域：PSG睡眠（四项）、自我报告睡眠（三项）、健康（八项）、健康行为（四项）和社会人口因素（五项）。10倍重复的内部验证（WSCS和SHHS结合）和外部验证（SHHS中的训练；WSCS中的测试）被用来计算无偏变量重要性度量和相关的p值。我们观察到健康、社会人口学因素和PSG睡眠域通过外部验证和反复的内部验证预测死亡率。PSG、睡眠效率和氧饱和度<90%的睡眠时间百分比是最具预测性的个体指标。多变量Cox回归也显示PSG睡眠域具有预测性，极低的睡眠效率和高低氧血症是最高的风险。这些发现，加上客观评估睡眠和过夜氧饱和度的新的低负担技术的出现，表明考虑生理睡眠测量可能会改善风险筛查。

SciDown文献求助系统（解决99%问题） Public Download Wiley ResearchGate