新冠肺炎疫情期间大学生睡眠质量预测模型——基于互联网新媒体的横断面研究

介绍

新冠肺炎疫情发生以来，各地多次发生疫情，给人们的身心健康带来了长期和不可估量的影响。2022年3月，福建省爆发了新一轮疫情，泉州、莆田、宁德等地均出现疫情。流行毒株为Omicron变体(BA.2)，其传播速度更快，免疫逃逸能力更强。截至4月21日，福建省累计报告新型冠状病毒核酸检测阳性3581例。于2022年4月5日至16日在网上发布匹兹堡睡眠质量指数(PSQI)问卷，使用该量表对福建省大学生近一个月的睡眠质量进行调查。在此期间，疫情防控处于高平台阶段，仍存在社区传播的风险。福建省大部分高校全面升级疫情防控战略，实施网络教学。

现有文献已经明确报道疫情会影响我国居民的睡眠质量，暴露于应激事件的公众表现出多种心理问题，导致睡眠潜伏期、夜间清醒时间增加、就寝时间减少、睡眠抱怨增多[1-3.]。与2003年北京发生的严重急性呼吸系统综合征(sars)疫情类似，福建省新冠肺炎疫情成为急性、大规模、不可控的应激源，同时相关负面信息也导致非理性紧张或恐惧[4]。先前的研究表明，各种类型的心理健康问题，包括感知压力和焦虑，都对睡眠质量有害，其中压力与睡眠质量呈负相关[5]。同时，强制性的自我隔离和封闭防控也不利于人们建立健康的生活方式[6]。疫情发展过程中的不确定性可能造成恐惧和不安全感，随着感染人数的增加，对精神健康的类似负面影响可能会加深[7]。此外，在疫情控制期间，与心理问题相关的风险因素包括女性、既往精神疾病史、出现与COVID-19一致的身体症状、与家庭成员生活不足、担心亲属健康、社会接触减少、信息缺乏以及经济损失。所有这些因素都会进一步影响人们的睡眠质量。

睡眠不足不仅会扰乱身体的昼夜节律，损害免疫反应，还会显著降低人类的认知准确性[8]。在严重的情况下，这会导致睡眠障碍，增加传染病的风险，并影响许多其他疾病的发生和发展，如抑郁症[9-11]。值得注意的是，青少年的睡眠质量与身体健康和心理健康有很强的相关性[12]。此外，紧张的大学生活大大增加了大学生对心理保健的需求。在一般人群中，大学生似乎特别容易受到孤立的负面影响。

目前，中国对一线医护人员、老年人和儿童的睡眠状况关注较多;然而，反复出现的疫情和严格的疫情防控措施对大学生睡眠状况的影响却鲜有报道。在预防和控制疫情的同时，保障大学生的心理健康和睡眠质量，已成为高校管理的一个棘手问题。机器学习(ML)已被证明是睡眠医学研究的有力工具，并显示出提高预测和可视化质量的潜力[13]。ML模型的成功开发已广泛应用于睡眠阶段分类、阻塞性睡眠呼吸暂停的自动诊断等方面[14，15]。

鉴于在防控疫情的同时保障大学生的心理健康和睡眠质量已成为高校管理的一个棘手问题，本研究旨在系统调查福建省各城市大学生在疫情反复紧急情况下的睡眠质量及其潜在预测因素。本研究通过网络问卷调查，评估严格的疫情防控措施对大学生睡眠质量的影响，探讨其潜在影响因素。在此基础上，建立了基于logistic回归(LR)、人工神经网络(ANN)、随机森林(RF)和朴素贝叶斯(NB)模型的大学生睡眠质量分类预测模型，并比较了不同模型的性能。

方法

数据源

本文于2022年4月5日至16日对福建省33所高校的全日制大学生进行了网络横断面调查，对其睡眠质量进行了评估。问卷由福建医科大学第二附属医院专家设计的互联网新媒体科研平台编制并发布。自主设计的平台，通过系统升级，保证了可访问性、稳定性、数据兼容性和安全性;创建一个垂直滚动设计的问卷;并监控回答时间，筛选出合格的问卷。

本研究的纳入标准为福建省全日制在校大学生，本科或研究生(年龄17-35岁)。排除标准如下:(1)因疫情延误新学期报到并在学生宿舍以外的地方居住的全日制本科生和研究生;(2)有严重睡眠障碍或严重精神障碍的人。

调查内容包括个人基本信息、睡眠质量、学习和生活条件、依从性调查等4个项目。参与者自我报告相关的人口统计变量(性别、年龄、大学、专业、学习、身高、体重等)和生活方式变量(咖啡因摄入量、熬夜、娱乐时间等)。使用PSQI量表评估睡眠质量[16]。该量表包括7个领域，由18个自我评估项目组成，整体得分反映了受访者过去一个月的睡眠质量。每个部分都用0-3分进行评分，整体得分在0到21分之间，得分越高表明睡眠质量越差。Cronbach α值为0.842，经检验，中文版具有较好的信效度[17]。

调查结束后，根据人口统计数据指标剔除离散和缺失数据，分析显示相关项目内部一致性高(Cronbach α=.859)。

统计分析

对所有变量进行描述性分析。符合正态分布的定量数据用均值和标准差表示，而Studentt采用检验和方差分析。定性数据采用卡方检验，描述为频率(百分比)。为探讨当前新冠肺炎疫情严重程度对福建省大学生睡眠质量相关因素及睡眠障碍率的影响，本研究先后进行了单因素和多因素分析。单因素分析中有统计学意义的因素纳入多因素非条件LR分析。采用方差分析(ANOVA)和Bonferroni方法进行多重比较，探讨不同地区大学生睡眠质量的差异P<措施在univariate analysis andP<。多变量分析0.05。一个P值小于0.05被认为具有统计学意义。所有统计分析均使用SPSS (version 26;IBM Corp)和R(版本4.2.1;R基金会)。

预测模型的开发与验证

LR是一种传统模型，通常用于评估自变量的贡献和预测结果[14，15]。人工神经网络正在成为预测医学诊断的强大算法。人工神经网络模型可以被训练来识别协变量和响应变量之间复杂的函数关系。文献表明，人工神经网络在多个临床领域优于线性模型[18，19]。RF是一种典型的由决策树构造而成的监督学习算法。RF模型使用树的多数投票来预测类结果，以最小化训练误差[20.，21]。NB是一种基于贝叶斯定理的分类技术。它是一个简单的模型，能够处理有噪声的数据并从小数据集中学习，但它不是具有大量属性的高维问题的理想算法[22，23]。

采用LR、ANN、RF和NB共建立了4个模型。以PSQI评分为7分作为分界点进行样本分组，评分>7分为睡眠质量差，评分≤7分为睡眠质量好。所有模型都经过训练，使用影响睡眠质量的重要变量来预测疫情期间大学生的睡眠质量(图1)。

‎

将纳入的数据分为训练测试集(n=14,451, 70%)和独立验证集(n=6194, 30%)。根据睡眠质量评估结果分层抽样。对训练集中4个模型的曲线下面积(auc)进行评估，以评估模型的性能。AUC值接近1表示性能较好。此外，我们计算了准确性、敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)等模型性能指标。

所有模型均采用R建立。

道德的考虑

数据收集过程中的伦理审查由福建医科大学第二附属医院医学伦理委员会、福建省大学睡眠医学重点实验室和福建医科大学第二附属医院睡眠障碍医学中心(IRB No. 2021-309)进行。参与者被告知本次匿名调查的目的和保密手段，并可在任何时候自由退出调查，无需任何理由。对问卷的回答被视为知情同意。

结果

参与者的特征

共回收问卷23572份，其中有效问卷20645份，回复率87.58% (n= 20645份)。表1显示样本特征的描述性统计，包括年龄、性别、居住地、专业、年级和BMI。

新冠肺炎疫情期间福建省大学生睡眠质量调查

参与者的PSQI平均得分为6.02 (SD 3.112)，得分范围为0 ~ 21。得分越高表明睡眠质量越差。统计分析显示，福建省新冠肺炎疫情期间，被纳入样本的大学生中，睡眠质量良好的有14673人，睡眠质量较差的有5972人。睡眠障碍检出率为28.9% (n=5972)。

其中，男性平均得分为5.55分(SD 3.2)，女性平均得分为6.23分(SD 3.048)。在7个领域的PSQI存在性别差异(表2)。由此可见，福建省不同城市大学生PSQI整体得分存在7个域(P<措施)。方差分析的结果见表3．

影响睡眠质量的因素分析

采用单因素分析对大学生睡眠质量的影响因素进行分析。卡方检验结果显示，2022年福建省地方性新冠肺炎疫情期间，大学生睡眠质量与年龄、性别、年级、居住地、专业、呼吸史、咖啡消费、熬夜、上网时间长、突发变化、害怕感染、缺乏耐心的闭环管理等12个变量相关(P<.001)，但这种关系似乎与BMI无关。

采用多变量无条件LR分析确定疫情期间大学生睡眠质量的预测因素。选取PSQI评分作为因变量(睡眠质量差=1，睡眠质量好=0)。将单变量分析中有统计学意义的12个变量作为自变量纳入多变量非条件LR分析。结果显示，与睡眠质量相关的变量共有11个，分别是年龄、性别、居住地、专业、呼吸史、咖啡消费、熬夜、长时间上网、突发变化、害怕感染、缺乏耐心的闭环管理。详情载于表4．

模型的性能

如前所述，筛选睡眠质量较差大学生的预测模型共有11个输入参数。经过充分的训练后，将这4个模型应用于验证集。表5显示所有模型的指标。除LR模型的AUC最低(0.59)外，生成的模型均表现出较好的模型性能。ANN模型的AUC最高，为0.713，准确率为73.52%，灵敏度为25.51%，特异性为92.58%，PPV为57.71%，NPV为75.79%。NB模型显示出显著的高灵敏度。图2显示了应用于验证集的4个模型的AUC。

‎

讨论

主要研究结果

该研究发现，约28.9% (n=5972)的大学生存在睡眠障碍，这表明COVID-19大流行是一个危险因素。这一结果与Duan等人的横向研究结果一致[24]，该研究显示，新冠肺炎大流行导致武汉大学生睡眠障碍。

睡眠是人类最基本的生理需求，良好的睡眠质量有助于心理健康，是大学生健康生活和高效学习的基础[25，26]。睡眠不好的大学生需要干预。ML方法已被广泛应用于预测睡眠障碍;然而，在COVID-19预防背景下筛查睡眠质量差的预测模型缺乏合格的预测因子。

本研究建立并验证了自我报告变量的预测模型，这可能有助于大学生睡眠问题的早期筛查。以11个参数作为输入训练的人工神经网络模型表现出优异的预测能力，AUC为0.713。先前的一项研究使用决策树、射频、支持向量机、人工神经网络和梯度增强树来评估大学生睡眠障碍的患病率，发现射频模型是最好的模型，准确率为74%，特异性为95% [27]。这个结果和我们的研究结果很接近。

根据表4影响大学生睡眠质量的相关因素包括年龄、性别、居住地、专业、呼吸史、咖啡消费、熬夜、上网时间长、突发变化、害怕感染、缺乏耐心的闭环管理。女性睡眠障碍患病率(n=4393, 30.7%)显著高于男性(n=1579, 25%)，差异有统计学意义(P<.001)，这与早期的研究结果一致[28]。研究发现，医学生的睡眠质量更好，这一结果与Yang等人之前的研究结果一致[29]。研究发现表4表明每日咖啡因摄入量和睡眠质量呈负相关。由于闭环管理导致的熬夜完成学习的倾向是睡眠障碍的一个风险因素，并且这种风险随着熬夜的频率而增加。电子设备娱乐时间的增加与睡眠质量的下降呈正相关。因严格的疫情防控管理而感到烦躁、抑郁的人群发生睡眠障碍的风险是“无烦躁”人群的3.08倍。

之前的研究已经证实了这些预测因素与睡眠质量之间的联系。除了不可控因素，如离家远，行为因素，包括睡眠时间表、屏幕时间、运动和饮食，已被报道为造成大学生睡眠质量差的主要影响因素[30.，31]。Sawah等[32]和Lohsoonthorn等人[33发现咖啡因的摄入会影响医学生晚上的睡眠质量，并且摄入量与睡眠质量呈负相关。新冠肺炎疫情及后续防控措施是应激源，可能诱发负面情绪，预示睡眠质量下降[34]。

在此背景下，本研究使用横断面调查数据来建立预测模型。LR、ANN、RF和NB是生物医学中常用的建模工具。LR模型在生成模型的验证集中表现不佳，这可能与我们的数据结构有关。当数据集中的预测-结果关系相对复杂和非线性时，LR可能会取得令人不满意的性能。人工神经网络在检测非线性效应和相互作用等非预定义关系方面具有突出的能力[35]。这可能与人工神经网络模型在预测大学生睡眠障碍方面获得最佳预测效度有关。

所建立的预测模型特异性突出，但灵敏度较低，将实际没有睡眠障碍的被调查者分类为睡眠障碍的概率很低，说明如果结果为阳性，则高度怀疑存在睡眠障碍。这一优势有助于挑选出睡眠质量差的人，并对他们进行关注。因此，所生成的模型有利于决策者了解疫情闭环管理下大学生的睡眠状况，促进睡眠障碍的诊断。然而，这种模型在非常大规模的筛查中可能会导致大量的漏诊。在使用预测模型时需要注意。在现有预测模型的基础上，可以改变预测变量，进一步提高模型的预测能力。例如，可以引入主观睡眠因素，如睡眠时间和入睡困难。此外，可以考虑引入来自外部队列人群的新数据集，以进行模型的外部验证。

该研究将睡眠质量差定义为PSQI评分>7。如果截断点被设为较低的水平(例如5)[36]，则该模型有可能检测到更多的阳性样本并提高其灵敏度。然而，这可能会导致一些真阴性样本被误判为阳性，从而降低模型的特异性，并且AUC值也可能发生变化。因此，一个有效的预测模型的关键是找到最优截断值来区分个体。此外，还可以应用其他ML模型或融合模型，以获得更好的性能，以便进一步研究。

优势与局限

这个横断面研究是通过互联网进行的，有利于数据收集，样本量大，地域覆盖广。受访者来自福建省9个城市，具有较强的代表性。全省各高校防治措施的异质性相对较小，总体效果较好。收集的数据包括睡眠质量评估、预防和控制措施因素、生活方式和个人因素等。我们的研究仍有一些局限性。本研究的优缺点总结于文本框1．

首先，新冠肺炎疫情爆发后的严格控制措施与大学生睡眠质量之间的因果关系不能仅仅通过横断面研究来确定。此外，由于横断面研究的特点和PSQI量表的评估范围，难以探究不同层次的疫情防控措施与大学生睡眠质量的关系。

其次，这些数据是由受访者自我报告的，主观的睡眠报告可能高估或低估了睡眠质量。尽管承诺保密，但结果仍可能受到社会期望偏差的影响，从而导致可能的报告偏差。一些研究将客观数据纳入预测模型。Zhang等[37]开发了一种反向传播的人工神经网络预测模型，将通过身体检查测量的客观数据和通过问卷调查收集的主观数据作为输入。

第三，在这个基于网络的调查中可能存在选择偏差，因为在社交媒体上相对活跃的大学生更有可能做出回应，而对睡眠健康认知和关注不足的学生更倾向于不回应本研究，从而产生非回应偏差。这也可能导致受访者看屏幕的时间普遍较长。

第四，考虑到大学生在调查过程中的耐心和问卷内容的丰富性，本研究没有调查过多的影响睡眠质量的相关因素，如运动;因此，很难保证问卷的最高质量。

最后，居住在预测模型中的有效性不明确。之前的研究表明，对于居住在震中附近省份的人来说，疫情的严重程度与心理健康问题没有显著关联。无论疫情的严重程度如何，急性压力、焦虑和抑郁在中国大学生中普遍存在[38，而这种心理困扰可能会影响睡眠质量。

未来的研究

未来的研究需要采用实验或纵向设计结合随访来更深入地探讨问题。预测模型的关键变量可以采用客观指标，通过观察和客观测量对其进行评价。此外，还可以探索其他重要的睡眠质量预测指标，可穿戴设备也可以用作评估睡眠的手段。

结论和建议

尽管存在一些局限性，但本研究有足够的证据表明，福建省局部疫情导致的疫情防控管理升级对大学生睡眠状态产生了负面影响。约28.9% (n=5972)的大学生报告睡眠质量较差。共有11个变量被发现与睡眠质量有关，包括熬夜、对感染的恐惧和缺乏耐心的闭环管理。这些发现强调了在COVID-19爆发期间有必要采取有针对性的措施来改善大学生的睡眠状况。ANN模型对大学生睡眠质量的整体预测能力最强，AUC、准确率、灵敏度、特异性、PPV和NPV分别为0.713、73.52%、25.51%、92.58%、57.71%和75.79%。结果显示，仅收集几个关键变量，就可以利用ML技术预测大学生睡眠质量，为相应的干预和预防策略提供强有力的数据和工具支持。