یافته های جدید محققان دانشگاه نورث وسترن نشان داد: یک مدل یادگیری ماشینی قادر است با بررسی داده های جمعیتی، سبک زندگی و نتایج معاینه فیزیکی، به طور موثری خطر ابتلا به اختلالات خواب را در افراد پیش بینی کند.
اختلال خواب، گروهی از بیماری ها هستند که منجر به تغییر در برنامه خواب می شوند. اختلال خواب رایج مانند بی خوابی، سندرم پای بیقرار و آپنه خواب می توانند همه جنبه های زندگی فرد از جمله ایمنی، روابط اجتماعی، عملکرد مدرسه و کار، تفکر، سلامت روان، وزن و خطر ابتلا به بیماری هایی مثل دیابت یا بیماری های قلبی را تحت تاثیر قرار دهند.
شیوع اختلال خواب نسبت به دهه های گذشته به طور قابل توجهی افزایش یافته است؛ درک بهتر و معکوس کردن این روند رو به رشد از آنجایی حائز اهمیت است که اختلالات خواب یکی از عوامل خطر اصلی برای ابتلا به دیابت، بیماری قلبی، چاقی و افسردگی محسوب می شوند.
محققان برای این مطالعه، از مدل یادگیری ماشینی XGBoost برای تجزیه و تحلیل داده های حدود 8 هزار بیمار در ایالات متحده استفاده کردند.به گزارش سیناپرس، به طور کلی، 2 هزار نفر از این افراد، طبق تشخیص پزشک، از اختلالات خواب رنج می بردند. یافته ها نشان داده اند که XGBoost می تواند خطر ابتلا به اختلالات خواب را با دقت بالایی پیش بینی کند.
دانشمندان اظهار داشته اند: آنچه این مطالعه را از سایر تحقیقاتی که در رابطه با بی خوابی صورت گرفته اند متمایز می کند، این است که نقش هر یک از عوامل موثر مثل افسردگی، سن، مصرف کافئین، سابقه نارسایی احتقانی قلب، درد قفسه سینه، بیماری عروق کرونر، بیماری کبد و چندین متغیر دیگر که با بی خوابی مرتبط هستند را به صورت دقیقی پیش بینی می کند.
به گزارش سیناپرس،یافته های تحقیقاتی در مجله PLOS ONE منتشر شده اند.
مترجم: رهاامیدوار
No tags for this post.