Decodificando a insônia: modelo de aprendizado de máquina prevê distúrbios do sono a partir de registros de pacientes

Um modelo de aprendizado de máquina pode prever com eficácia o risco de um paciente ter um distúrbio do sono usando dados demográficos e de estilo de vida, resultados de exames físicos e valores laboratoriais, de acordo com um novo estudo publicado esta semana no jornal de acesso aberto PLOS ONE por Samuel Y. Huang, da Virgínia Commonwealth University School of Medicine e Alexander A. Huang da Northwestern Feinberg University School of Medicine, EUA.

A prevalência de distúrbios do sono diagnosticados entre pacientes americanos aumentou significativamente na última década. É importante entender e reverter essa tendência, pois os distúrbios do sono são um fator de risco significativo para diabetes, doenças cardíacas, obesidade e depressão.

No novo trabalho, os pesquisadores usaram o modelo de aprendizado de máquina XGBoost para analisar dados disponíveis publicamente em 7.929 pacientes nos EUA que completaram a Pesquisa Nacional de Saúde e Nutrição. Os dados continham 684 variáveis ​​para cada paciente, incluindo respostas de questionários demográficos, dietéticos, de exercícios e de saúde mental, bem como informações laboratoriais e de exame físico.

No geral, 2.302 pacientes no estudo tiveram diagnóstico médico de distúrbio do sono. O XGBoost pode prever o risco de diagnóstico de distúrbios do sono com grande precisão (AUROC=0,87, sensibilidade=0,74, especificidade=0,77), usando 64 das variáveis ​​totais incluídas no conjunto de dados completo. Os maiores preditores para um distúrbio do sono, com base no modelo de aprendizado de máquina, foram depressão, peso, idade e circunferência da cintura.

Os autores concluem que os métodos de aprendizado de máquina podem ser os primeiros passos eficazes na triagem de pacientes quanto ao risco de distúrbios do sono, sem depender do julgamento ou viés do médico.

Samuel Y. Huang acrescenta: “O que diferencia este estudo sobre os fatores de risco para insônia de outros é ver não apenas que sintomas depressivos, idade, uso de cafeína, história de insuficiência cardíaca congestiva, dor no peito, doença arterial coronariana, doença hepática e 57 outras variáveis ​​estão associadas a insônia, mas também visualizando a contribuição de cada um em um modelo muito preditivo”.

Referência do periódico:

Huang AA, Huang SY (2023) Uso de aprendizado de máquina para identificar fatores de risco para insônia. PLoS ONE 18(4): e0282622. DOI: 10.1371/journal.pone.0282622

About the author : Melhoressuplementos
Decodificando a insônia: modelo de aprendizado de máquina prevê distúrbios do sono a partir de registros de pacientes

Os suplementos alimentares são uma forma prática de complementar a alimentação e fornecer nutrientes importantes para o corpo.

Leave A Comment

Emagrecimento

Decodificando a insônia: modelo de aprendizado de máquina prevê distúrbios do sono a partir de registros de pacientes

Emagrecimento

Decodificando a insônia: modelo de aprendizado de máquina prevê distúrbios do sono a partir de registros de pacientes
Decodificando a insônia: modelo de aprendizado de máquina prevê distúrbios do sono a partir de registros de pacientes

Receba ofertas

Receba Grandes Ofertas: Economize Dinheiro em Suas Compras

Não perca tempo e cadastre-se agora mesmo na promoção Receba Grandes Ofertas. É uma oportunidade única de economizar dinheiro em suas compras e ainda receber brindes e promoções exclusivas. Não deixe essa chance passar!