机器学习方法应用于《正面与负面睡眠评估量表》（PANSAM-14）的14项简化版本

时间：2026年3月26日

来源：Sleep and Breathing

编辑推荐：

本研究通过XGBoost和SymScore算法，开发了PANSAM-14量表，简化原有四个子量表，选取14个代表性项目，各子量表预测准确度达R²=0.92-0.94，SymScore版本在总得分预测上与XGBoost相当（R²=0.93-0.95），且更易解释，为评估睡眠功能障碍信念提供实用工具。

摘要

背景

本研究旨在开发一个简化版的“积极与消极睡眠评估量表”（PANSAM），该量表能够利用基于机器学习的方法（特别是极端梯度提升算法XGBoost）准确预测其四个子量表的总分，从而简化PANSAM的评估流程。

方法

我们通过在线调查从韩国的1000名参与者那里收集数据，测量了他们每个子量表的PANSAM得分。为了确定每个子量表中最具代表性的条目，我们使用了极端梯度提升算法（XGBoost），该算法可以根据R²值评估每个条目的预测能力。此外，我们还利用基于符号回归的临床评分生成器（SymScore）为这些条目分配了最优权重，以确保评分系统的精确性和可解释性。

结果

我们基于SymScore开发出了PANSAM-14版本，选出了四个子量表中的14个代表性条目：子量表1（条目12、15、16和24），子量表2（条目10、18和21），子量表3（条目3、11和19），以及子量表4（条目1、13、25和29）。这些条目在预测子量表得分方面表现出较高的准确性（R²值分别为0.94、0.92、0.94和0.94）。随后，我们利用SymScore制作了一个简单且易于理解的评分表，其预测总分的性能与基于XGBoost的版本相当（R²值分别为0.93、0.93、0.94和0.95），同时提供了一个实用且易于理解的评估工具。