埃姆里耶·希拉尔·亚扬（Emriye Hilal Yayan）、费伊扎·因切奥卢（Feyza İnceoğlu）、穆罕默德·埃明·杜肯（Mehmet Emin Düken）、耶利兹·苏娜·达格（Yeliz Suna Dağ）、穆尔西德·曾根（Mürşide Zengin）
所属机构：伊诺努大学（İnönü University）护理学院儿童健康与疾病护理系，马尔蒂亚（Malatya），土耳其44280
**摘要**
众所周知，睡眠障碍和与睡眠相关的创伤是儿童在经历创伤事件后最常见的症状。本研究旨在利用机器学习模型预测居住在集装箱城市的儿童中创伤后睡眠障碍的影响因素。
**方法**
这项描述性横断面研究确定儿童的平均年龄为13.72±2.35岁。研究数据通过儿童信息表和睡眠障碍量表获得。研究选取了1085名居住在集装箱城市的儿童，使用逻辑回归（logistic regression）、随机森林（random forest）和XG-Boost模型进行预测并计算准确率指标。根据评估结果，600名儿童（55.3%）存在睡眠障碍，而其余485名儿童（44.7%）没有此类障碍。
**结果**
比较显示，XGBoost模型表现最佳，准确率为0.89，F1值为0.87，阴性预测值为0.89，精确度为0.90，召回率为0.85。
**结论**
根据模型得出的SHAP重要性值，“睡眠问题情况”被确定为最具影响力的因素，而“地震中遇到住宿问题”则影响较小。这些发现突出了关键关联，可为制定康复服务计划提供依据，并指导进一步探讨创伤期间儿童睡眠障碍的相关因素。
**实践意义**
本研究建议精神科和儿科护理实践与教育应纳入自然灾害后儿童干预策略。
**引言**
机器学习（Machine Learning, ML）涉及使用计算机数据开发预测模型（Schneider & Guo, 2018）。数据集中的分类包含用于建模的动态分析过程（İnceoğlu & Yağın, 2022）。基于证据的预测模型广泛应用于多个科学领域，包括风险预测（Dietterich, 1996; Jordan & Mitchell, 2015）。近年来，数据结构的异质性和解释模型选择问题的透明方法的重要性显著增加（Karako & Tang, 2024）。当代机器学习应用中最紧迫的挑战之一是在确保模型选择和解释透明度的同时管理这种异质性。这促使了可解释人工智能（Explainable Artificial Intelligence, XAI）的发展。借助XAI方法，数据结构和预测模型中的复杂算法变得更加易于理解（Ortigossa et al., 2024; Sewada et al., 2023）。SHapley additive explanations (SHAP)是一种基于博弈论的模型，通过为每个变量分配重要性等级来解释机器学习模型的输出。由于其一致性、局部解释能力、增强的透明度和可解释性，SHAP成为广泛使用的XAI方法（Salih et al., 2025; Stoffels et al., 2025; Zhang et al., 2022）。
**背景**
儿童在经历创伤事件后常常出现睡眠障碍和睡眠相关创伤，这是众所周知的现象。本研究旨在使用机器学习模型预测居住在集装箱城市的儿童中创伤后睡眠障碍的影响因素。
**结论**
基于模型得出的SHAP重要性值，“睡眠问题情况”被确定为最具影响力的因素，“地震中遇到住宿问题”影响较小。这些发现有助于制定康复服务计划，并指导进一步探究创伤期间儿童睡眠障碍的相关因素。
**实践意义**
本研究建议精神科和儿科护理实践与教育应纳入自然灾害后儿童干预策略。本研究获得了开展研究所在的社会与人文科学伦理委员会的批准，并遵循了《赫尔辛基宣言》、土耳其共和国《儿童保护法》以及《联合国儿童权利公约》的各项原则。所有参与者均已签署书面和口头同意书。
**统计声明**
本手稿符合《儿科护理杂志》的统计规范要求。作者团队中包括一位统计学家（Feyza İnceoğlu）。作者们确认，所选用的统计方法、实施过程及数据分析结果均符合研究设计和实际背景。他们对本手稿中呈现的统计分析的准确性及适用性承担全部责任。
**作者贡献说明**
- **Emriye Hilal Yayan**：撰写、审阅与编辑；撰写初稿；数据可视化；数据验证；项目监督；软件使用；资源管理；方法论设计；研究实施；资金获取；数据分析；概念构建。
- **Feyza İnceoğlu**：撰写、审阅与编辑；撰写初稿；数据可视化；项目监督；方法论设计；研究实施；数据分析；概念构建。
- **Mehmet Emin Düken**：撰写、审阅与编辑。
**利益冲突声明**
本研究作者之间不存在任何利益冲突。该研究得到了Tübitak 1001项目的支持（项目编号：123K831）。
**致谢**
本研究由Tübitak 1001项目（项目编号：123K831）资助，由伊诺努大学（İnönü University）、马拉蒂亚图尔古特·奥扎尔大学（Malatya Turgut Özal University）、阿迪亚曼大学（Adıyaman University）和哈兰大学（Harran University）的儿科与生物统计学系共同完成。
