基于XGBoost与SymScore的癌症相关睡眠功能障碍信念简化量表(C-DBAS-6)开发与验证

为解决癌症患者睡眠信念评估耗时问题，研究人员通过机器学习开发了6项精简量表C-DBAS-6。采用XGBoost筛选代表性条目，结合新型SymScore权重优化技术，仅需6个问题即可精准预测原DBAS-16与C-DBS联合量表总分（R2 =0.90），为临床睡眠障碍筛查提供高效工具。

　　

这项研究开创性地将机器学习技术应用于临床量表优化领域。科研团队收集了564名癌症患者的睡眠信念数据，通过探索性因子分析和K-means聚类将18个初始条目划分为6个特征群组。运用极致梯度提升算法(XGBoost)精准筛选出最具代表性的6个核心条目（DBAS-16中的4、5、7、9、15项及C-DBS中的C2项）。

研究亮点在于创新性地引入符号回归临床评分系统(SymScore)，通过数学建模为每个选项赋予优化权重，仅需简单查表相加即可获得与复杂算法相当的预测精度。令人惊叹的是，这个仅含6个问题的精简版量表(C-DBAS-6)竟能解释原量表90%的变异（R²
=0.90），其预测性能甚至优于直接应用XGBoost模型的结果（R²
=0.88）。

这项突破性工作为临床实践提供了"少而精"的评估方案，在保证诊断准确性的同时大幅降低患者填写负担，堪称机器学习与临床医学完美结合的典范。特别是SymScore技术的应用，使得基层医疗机构无需复杂计算设备也能实现精准评估，具有重要的临床推广价值。