编辑推荐：
为解决传统预测模型因数据集不平衡难以识别睡眠障碍（SD）医护人员这一少数类样本的问题，来自武汉科技大学附属华润武钢总医院的研究人员开展了构建风险预警模型的研究。结果显示 SMOTE 预警模型表现优异，对医护人员健康管理及其他领域有重要意义。
长期轮班工作对医护人员的健康有着显著影响，睡眠障碍（SD）是一个常见且亟待关注的问题。传统的预测模型由于数据集不平衡，在识别少数类样本（即患有 SD 的医护人员）方面表现不佳。本研究旨在通过引入合成少数过采样技术（SMOTE）构建一个风险预警模型，以提高对长期轮班医护人员 SD 的预测准确性，为早期干预提供科学依据。对武汉科技大学附属华润武钢总医院的 181 名医护人员的睡眠状况进行了回顾性分析。根据睡眠状态将参与者分为两组：A 组（AG）70 名患有 SD 的人员，B 组（BG）111 名未患有 SD 的人员。分析了基于 SMOTE 的风险预警模型在预测长期轮班医护人员 SD 方面的应用，并将该模型的性能与另外两个模型以及三个验证数据集进行了验证。对长期轮班医护人员 SD 的多因素 logistic 回归分析表明，性别、年龄、职业、教育水平、职称、授权强度、轮班时长、工作时长、焦虑和抑郁被确定为独立影响因素。SMOTE 预警模型的灵敏度达到 83.22%，特异度达到 78.67%，准确率达到 85.35%，阳性预测值（PPV）达到 74.60%，阴性预测值（NPV）达到 87.67%，显著优于原始数据集、反向传播（BP）模型和随机森林（RF）模型（
P?
