基于机器学习的糖尿病患者睡眠障碍预测模型：CHARLS项目的数据分析

《Scientific Reports》：Machine learning-based predictive model for sleep disorders in diabetic patients: data analysis from CHARLS

　　

摘要

睡眠障碍在糖尿病患者中十分常见，是一个亟待解决的难题。因此，本研究旨在探讨机器学习方法在预测糖尿病患者睡眠障碍方面的应用价值。通过单因素相关性分析和LASSO算法，筛选出了六个相关特征。我们构建并评估了五种机器学习模型：逻辑回归、决策树、极端梯度提升、支持向量机以及轻量级梯度提升机。研究数据来自中国健康与退休纵向研究数据库，共对60,308名老年人进行了筛查，其中1276名为糖尿病患者。在这些患者中，777人没有出现睡眠障碍，499人出现了睡眠障碍。通过单因素分析确定了15个具有统计学意义的预测因子，而LASSO回归则确定了六个相关变量，包括糖尿病家族史、教育程度、婚姻状况、慢性疾病、慢性疼痛以及抑郁症状。基于这六个变量，我们构建了五种机器学习模型来预测糖尿病患者的睡眠障碍风险。其中，XGB模型的表现最为出色，其曲线下面积为0.850。校准曲线显示该模型在测试集上的拟合效果良好，决策曲线分析进一步证实了该模型具备极高的净收益和预测精度。总体而言，XGB模型的性能最佳。我们的研究结果表明，机器学习模型，尤其是极端梯度提升算法，是预测糖尿病患者睡眠障碍风险的最有效方法。