یافتههای جدید محققان نشان داد؛ یک مدل یادگیری ماشینی قادر است با بررسی دادههای جمعیتی، سبک زندگی و نتایج معاینه فیزیکی، به طور موثری خطر ابتلا به اختلالات خواب را در افراد پیشبینی کند.
شیوع اختلال خواب نسبت به دهههای 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 میشوند.
محققان دانشگاه نورث وسترن برای این مطالعه، از مدل یادگیری ماشینی XGBoost برای تجزیه و تحلیل دادههای حدود ۸ هزار بیمار در ایالات متحده استفاده کردند. به طور کلی، ۲ هزار نفر از این افراد، طبق تشخیص پزشک، از اختلالات خواب رنج میبردند. یافتهها نشان داده اند که XGBoost میتواند 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 میکند، 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 میکند.
یافتههای تحقیقاتی در مجله PLOS ONE منتشر شده اند.