Machine Learning-Based Risk Prediction Model for Sleep Disorders in Middle-Aged and Older Adults at High Altitudes
طورت هذه الدراسة وتحققت من صحة نموذج تعلم آلي قائم على الغابة العشوائية باستخدام بيانات من 673 مشاركاً في مدينة شينينغ بالصين، والذي أظهر أداءً فائقاً في التنبؤ بمخاطر اضطرابات النوم بين البالغين في منتصف العمر وكبار السن في المناطق المرتفعة عن سطح البحر من خلال تحديد الجنس، والأمراض المصاحبة، والقلق، والاكتئاب كعوامل تنبؤ رئيسية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يُعد النوم ركيزة أساسية لصحة الإنسان، ومع ذلك، فإنه يظل أمرًا بعيد المنال لملايين الأشخاص. فعندما لا يستطيع العقل إيجاد الراحة، تتردد أصداء العواقب عبر الجسم والعقل، مما يؤثر على كل شيء بدءًا من صحة القلب وصولًا إلى الاستقرار العاطفي. وتصبح هذه المشكلة أكثر تعقيدًا عندما يعيش الناس في أماكن مرتفعة، حيث يكون الهواء أرق وإمدادات الأكسجين أقل. في هذه البيئات، يبذل الجسم جهدًا أكبر لمجرد التنفس، وهذا الجهد الإضافي يمكن أن يخل بالإيقاعات الدقيقة التي تحكم متى ننام ومتى نستيقظ. وقد علم العلماء منذ زمن طويل أن العمر يلعب دورًا في هذا الصراع، حيث تتغير دورات النوم الطبيعية للجسم بمرور الوقت، لكن الجمع المحدد من العوامل التي تضع كبار السن في خطر في المناطق الجبلية ظل من الصعب تحديده بدقة. إن فهم هذه المخاطر ليس مجرد مسأبلة أكاديمية؛ بل هو ضرورة عملية للمجتمعات التي تعيش في ارتفاعات عالية، حيث يمكن أن تؤدي اضطرابات النوم إلى مشكلات صحية خطيرة طويلة الأمد.
ولمعالجة هذه الفجوة، شرع فريق من الباحثين من كلية العلوم الطبية بجامعة تشينغهاي في بناء أداة يمكنها التنبؤ بمن هم الأكثر عرضة للمعاناة من اضطرابات النوم في هذه البيئات المرتفنة. لقد ركزوا على مجموعة مكونة من 673 بالغًا، جميعهم تبلغ أعمارهم 45 عامًا أو أكثر، ويعيشون في منطقة شينينغ في الصين، والتي تقع على ارتفاع حوالي 2,260 مترًا فوق مستوى سطح البحر. جمع الباحثون مجموعة واسعة من المعلومات من هؤلاء المشاركين، بما في ذلك عاداتهم اليومية، وتاريخهم الطبي، وحالتهم النفسية. وسألوا عن التدخين، وشرب الكحول، والنشاط البدني، كما فحصوا حالات صحية شائعة مثل ارتفاع ضغط الدم والسكري. والأهم من ذلك، قاموا أيضًا بقياس مستويات القلق والاكتئاب، باستخدام استبيانات معيارية تسأل الناس عن مدى تكرار شعورهم بالقلق أو الحزن. ولتحديد من يعاني بالفعل من اضطراب في النوم، استخدم الفريق استطلاعًا معروفًا يسمى "مؤشر بيتسبرغ لجودة النوم"، والذي يطرح أسئلة مفصلة حول المدة التي يستغرقها الشخص للنوم، وعدد مرات استيقاظه، ومدى شعوره بالراحة خلال النهار. وقد أشارت الدرجة التي تتجاوز حدًا معينًا في هذا الاستطلاع إلى وجود اضطراب في النوم.
ثم توجه الباحثون إلى طريقة قوية تسمى "تعلم الآلة" لفهم كل هذه البيانات. وبدلاً من النظر في عامل واحد في كل مرة، قاموا بتغذية المعلومات في خوارزميات حاسوبية قادرة على إيجاد أنماط معقدة قد يغفل عنها البشر. واختبروا خمسة أنواع مختلفة من الخوارزميات، بما في ذلك طرق تعمل مثل أشجار القرار وأخرى تتعلم من الأمثلة الماضية لتقديم تنبؤات جديدة. كان الهدف هو معرفة أي خوارزمية يمكنها تحديد الأشخاص الذين يعانون من مشاكل في النوم بدقة أكبر بناءً على المعلومات المقدمة. وبعد تدريب النماذج على معظم البيانات واختبارها على الجزء المتبقي، أشارت النتائج بوضوح إلى فائز واحد: وهو نموذج يعتمد على تقنية تُعرف باسم "الغابة العشوائية" (Random Forest). أثبت هذا النموذج أنه الأكثر موثوقية في التمييز بين أولئك الذين يعانون من اضطرابات النوم وغيرهم.
وما يجعل هذا الاكتشاف مفيدًا بشكل خاص هو أن النموذج الفائز لم يكن بحاجة إلى كمية هائلة من البيانات المعقدة ليعمل. فمن خلال عملية الاستبعاد، اكتشف الباحثون أن أربعة عوامل محددة فقط كانت كافية لتقديم تنبؤ قوي: جنس الشخص، وعدد الحالات الصحية المزمنة التي يعاني منها، ومستويات القلق والاكتئاب لديه. وجد النموذج أن النساء أكثر عرضة للإبلاغ عن مشاكل النوم مقارنة بالرجال، وهو نمط يتوافق مع الاتجاهات الصحية الأوسع. كما أكد أن وجود أكثر من مرض مزمن واحد يزيد من خطر الإصابة، ويرجع ذلك على الأرجب إلى أن الجسم يقع تحت ضغط مستمر لإدارة حالات متعددة. وربما الأهم من ذلك، سلط النموذج الضوء على الارتباط العميق بين الصحة العقلية والنوم؛ حيث كانت المستويات العالية من القلق والاكتئاب مؤشرات قوية على أن الشخص يعاني من صعوبة في النوم.
ولضمان أن النموذج لم يكن مجرد تخمين محظوظ للمجموعة الأولى من الأشخاص، اختبره الباحثون على مجموعة منفصلة تمامًا مكونة من 382 بالغًا من مقاطعة أخرى في نفس المقاطعة. وأظهر هذا الاختبار الخارجي أن النموذج صمد جيدًا، محافظًا على قدرته على تحديد الأفراد المعرضين للخطر حتى عندما تغير السكان قليلاً. وبينما كان النموذج أقل دقة قليلاً في هذه المجموعة الجديدة، إلا أنه ظل يتفوق على الطرق الأخرى التي تم اختبارها، لا سيما في قدرته على رصد الأشخاص الذين يعانون بالفعل من اضطرابات النوم. استخدم الباحثون أداة بصرية للتحقق من مدى مطابقة تنبؤات النموذج للواقع، وأظهرت النتائج توافقًا قويًا، مما يعني أن تخمينات النموذج كانت جديرة بالثقة. كما استخدموا طريقة لشرح كيفية اتخاذ النموذج لقراراته بدقة، مما كشف أن الاكتئاب كان العامل الأكثر تأثيرًا في رفع درجة خطر الشخص.
إن تداعيات هذا العمل عملية وفورية. نظرًا لأن النموذج يعتمد على أربعة معلومات فقط يسهل الحصول عليها، فإنه يمكن استخدامه من قبل العاملين في مجال الصحة المجتمعية أو الأطباء في المناطق النائية والمرتفعة لإجراء فحص سريع لمشاكل النوم. يمكن للشخص ملء نموذج قصير حول جنسه، وحالته الصحية الحالية، ومشاعر القلق أو الحزن لديه، ويمكن للنموذج أن يحدد فورًا أولئك الذين يحتاجون إلى مزيد من الاهتمام. يسمح هذا النهج بتوجيه الموارد الطبية نحو أولئك الذين هم في أمس الحاجة إليها، بدلاً من الانتظار حتى ظهور أعراض شديدة. ويقرّت الدراسة بأنها لا تستطيع إثبات أن هذه العوامل تسبب اضطرابات النوم، حيث جُمعت البيانات في نقطة زمنية واحدة، وهي تعتمد على الأعراض المبلغ عنها ذاتيًا بدلاً من اختبارات النوم السريرية. ومع ذلك، من خلال تحديد عوامل الخطر الرئيسية وتوفير طريقة موثوقة لرصدها، يقدم البحث مسارًا واضحًا لتحسين صحة النوم في بعض أكثر بيئات العالم تحديًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.