基于机器学习法构建围绝经期女性失眠障碍的预测模型

目的探讨围绝经期女性失眠障碍的影响因素, 并基于机器学习法构建围绝经期女性失眠障碍的预测模型。方法采用病例对照研究方法, 便利抽样法选取2019年1月至2021年6月于丽水市妇幼保健院进行检查的围绝经期女性140例作为研究对象进行回顾性分析, 根据其是否存在失眠障碍将其分为发生组及未发生组, 收集患者相关资料, 对其进行危险因素分析, 基于机器学习的多因素Logistic回归、决策分类回归树(CRT)、反向传播神经网络(BPNN)算法构建围绝经期女性发生失眠障碍的预测模型。结果最终纳入围绝经期女性140例, 发生组88例(62.86%), 年龄(50.16 ± 4.73)岁, 未发生组52例(37.14%), 年龄(47.33 ± 4.54)岁。多因素Logistic回归分析显示, 2组的家庭人均月收入(OR = 0.019, 95%CI 0.001 ~ 0.422, P<0.05)、汉密尔顿抑郁量表(HAMD)评分(OR = 1.665, 95%CI 1.108 ~ 2.502, P<0.05)、焦虑自评量表(SAS)评分(OR = 1.407, 95%CI 1.085 ~ 1.826, P<0.05)为影响围绝经期女性发生失眠障碍的独立危险因素。采用CRT法构建的预测模型显示SAS评分、HAMD评分及家庭人均月收入是围绝经期女性出现失眠障碍的影响因素。BPNN模型结果显示, 影响因素重要性排序SAS评分>家庭人均月收入>HAMD评分>体质量指数>年龄>工作状态>每日运动累计时间。3种机器学习算法构建的模型中, 多因素Logistic回归分析曲线下面积为0.998, 敏感度为96.6%, 特异度为100.0%, 预测效能最佳。结论本研究基于机器学习法构建的围绝经期女性发生失眠障碍的预测模型具有较好的预测效能, 其中多因素Logistic回归模型诊断效能最佳, 建立的预测模型具有良好的预测准确性。