美国成年人短睡眠时长与认知障碍的地理空间关联：基于机器学习的多州研究揭示西部高风险区域

本研究通过机器学习驱动的空间分析，揭示了美国成年人短睡眠时长(<7小时)与认知障碍(CD)的显著地理关联。研究人员利用CDC PLACES和SVI数据，在调整社会健康决定因素(SDoH)后，发现西部六州(新墨西哥、阿拉斯加等)的短睡眠人群认知障碍风险增加126%，为区域化公共卫生干预提供了空间流行病学依据。

　　

睡眠不足正成为现代社会的隐形健康杀手。美国疾控中心数据显示，约三分之一成年人存在短睡眠问题，而认知障碍(CD)影响着数百万人的生活质量。尽管已有研究提示睡眠与认知的关联，但社会健康决定因素(SDoH)和地理环境如何影响这种关系仍是未解之谜。更棘手的是，既往研究受限于样本代表性和方法异质性，难以揭示宏观地理模式。这种认知空白使得公共卫生部门难以为不同区域"量体裁衣"地制定干预策略。

加州大学洛杉矶分校的Tue T.Te^?
团队在《BioData Mining》发表的研究打破了这一僵局。研究者创新性地将机器学习与空间流行病学结合，分析了全美57,404个人口普查区的数据。通过构建空间滞后模型，他们首次绘制出短睡眠与认知障碍的"风险地图"，发现西部六州居民在调整SDoH后，短睡眠导致认知障碍风险激增126%。这一发现为理解地理环境-睡眠-认知的三元关系提供了新视角。

研究采用三大关键技术：1)基于CDC PLACES和SVI的多源数据整合，覆盖84,414个普查区；2)空间自相关分析(Moran's I)结合邻接矩阵构建，采用queen邻接规则处理不规则地理单元；3)分州建立的空间滞后模型，通过nb2listw()函数处理孤岛区域，最终通过加权meta分析整合全国结果。样本主要来自CDC 2021-2022年行为风险因素监测系统(BRFSS)。

【空间分析结果】显示全美短睡眠与CD的回归系数在0.29-1.27之间(p<0.005)，呈现明显地理梯度。新墨西哥州风险最高(β=1.26)，而佛蒙特州最低(β=0.29)。

交互式地图揭示新墨西哥州的CD高发区与短睡眠区域高度重叠，而佛蒙特州则呈现离散分布。

【区域差异分析】发现西部六州(阿拉斯加、俄勒冈等)占全美高风险州(β>1.0)的75%，显著高于其他地区(p=0.007)。

加权森林图证实该结论不受普查区数量影响。

这项研究突破了传统流行病学的分析框架，通过空间计量经济学方法揭示了健康问题的地理依赖性。其核心价值在于：1)证实短睡眠是独立于SDoH的CD风险因素，为睡眠干预提供循证依据；2)发现西部地区的特殊脆弱性，提示需考虑紫外线强度、海拔等环境因素；3)建立的跨州可比分析模型，为后续健康地理研究树立新范式。尽管存在横断面设计的局限，但研究提出的"睡眠-地理-认知"三元模型，为精准公共卫生实践提供了空间靶向干预的新思路。正如作者强调，未来需结合纵向设计和客观睡眠监测(如actigraphy)，进一步解析区域环境因素对睡眠质量的影响机制。