《Sleep Health》：Self-reported sleep health is more than a combination of multiple objective sleep measures
编辑推荐：
摘要
目的：自我报告的Ru-SATED问卷是一种经心理测量学验证的多维睡眠健康测量工具。Ru-SATED与健康结局的关联日益受到关注；然而，其与行为性睡眠的关系尚不明确。本研究旨在描述与Ru-SATED睡眠健康评分相关的床垫测量睡眠健康特征的组合。
方法：Sl
摘要
目的：自我报告的Ru-SATED问卷是一种经心理测量学验证的多维睡眠健康测量工具。Ru-SATED与健康结局的关联日益受到关注；然而，其与行为性睡眠的关系尚不明确。本研究旨在描述与Ru-SATED睡眠健康评分相关的床垫测量睡眠健康特征的组合。
方法：Sleep Number床垫使用者（N = 2674，平均年龄 = 52.4 ± 16.2岁，55.2%为女性）完成了Ru-SATED 4.0多维睡眠健康量表，并提供了过去一个月的智能床数据（7-28天）。研究人员采用以下方法建模Ru-SATED与床垫特征（睡眠时长、效率、规律性、时间）之间的关联：（1）Spearman相关分析；（2）包含床垫特征相加效应的多变量回归；（3）包含床垫特征间复杂交互作用的多项式回归并结合新型图形技术；（4）非参数树结构回归。
结果：单一床垫测量与Ru-SATED的相关性较弱（r = 0.04-0.21；调整后R2 = 0.002-0.040）。纳入多个床垫特征的模型解释了Ru-SATED中较大比例方差（加性回归调整后R2 = 0.078；多项式回归调整后R2 = 0.084；树结构回归调整后R2 = 0.090）。在各模型中，床垫测量的睡眠时长（ΔR2 = 0.015-0.018）、规律性（ΔR2 = 0.011-0.019）和效率（ΔR2 = 0.010-0.015）对Ru-SATED的贡献最大，其次为时间（ΔR2 = 0.001-0.003）。Ru-SATED评分最佳者具有较好的床垫测量规律性、效率、时长和时间，而Ru-SATED评分最差者则在规律性、时长、效率和/或时间方面存在某种组合不佳。
结论：Ru-SATED与行为性床垫测量的组合相关，且优于任何单一床垫测量。床垫测量的睡眠时长、规律性和效率贡献最强。研究结果进一步验证了多维睡眠健康框架，并可能有助于呈现有关患者睡眠健康模式与目标的临床相关信息。
论文解读文章
自我报告的睡眠健康（self-reported sleep health）日益被视为健康与福祉的重要指标，并与心理、躯体及认知健康的横断面和纵向指标相关联。然而，测量自我报告的睡眠健康并非简单地询问睡眠时长、质量或效率，而是需要将其视为一个多维概念，涵盖规律性（regularity）、满意度（satisfaction）、警觉性（alertness）、时间（timing）、效率（efficiency）和时长（duration），即Ru-SATED框架。该框架强调这些维度同时存在，且其组合模式能够全面反映个体自我报告的睡眠健康状况。尽管自我报告睡眠健康在临床和人群中具有重要价值，但已有研究表明，主观睡眠体验与客观睡眠指标之间并非完全对应。既往研究往往仅单独考察某一睡眠维度，这可能是导致自我报告与行为性睡眠测量之间仅存在小到中等程度关联的原因之一。
本研究的主要目标是探索行为性睡眠健康维度与整体自我报告睡眠健康（以Ru-SATED测量）之间的关联方式。为此，研究人员采用了一种递进式的四重分析方法，以平衡解释性与建模灵活性：方法一为双变量Spearman相关性分析，考察自我报告与床垫测量睡眠特征之间的简单单调关系；方法二为加性多变量回归模型，将多个床垫测量睡眠维度同时纳入模型，以初步探索多维睡眠健康结构；方法三为多项式回归模型，纳入所有二次项及二至四维交互项，并结合新型三维图形可视化技术；方法四为非参数树结构回归模型，通过数据驱动的递归分割识别与Ru-SATED评分相关的床垫特征组合和阈值。通过这一递进式的分析框架，研究人员既建立了传统分析基线，又检验了更灵活的建模假设是否有助于更全面地捕捉整体自我报告睡眠健康。
研究人员从Smart Sleeper Panel中招募了2674名Sleep Number床垫使用者作为分析样本，样本平均年龄为52.4岁（标准差16.2），其中55.2%为女性。参与者于2022年9月至11月期间完成在线调查，包括人口统计学信息和Ru-SATED 4.0多维睡眠健康量表，并提供过去一个月的智能床数据（7-28晚）。Ru-SATED 4.0包含6个条目，采用Likert量表评分，总分范围为0-24，分数越高表示睡眠健康越好。统计分析中以协变量调整后的Ru-SATED评分（Ru-SATEDC）作为主要结局，该评分通过将Ru-SATED对年龄、性别、教育程度、种族、睡眠伴侣状态、睡眠障碍诊断、工作状态/时间、睡眠药物使用及床垫测量夜数进行回归后提取残差获得。床垫测量的睡眠维度包括平均睡眠时长、平均睡眠中点（作为时间指标）、睡眠中点标准差（作为规律性指标，数值越低表示规律性越高）以及安静时间与睡眠会话总时间之比（作为效率指标）。
研究结果显示，单一床垫测量与Ru-SATEDC的相关系数较弱（r = 0.04-0.21），调整后R2为0.002-0.040。相比之下，纳入多个床垫特征的模型解释的方差比例显著增大：加性回归模型调整后R2为0.078，多项式回归模型为0.084，树结构回归模型为0.090。这一发现表明，多个床垫睡眠维度及其组合对解释整体自我报告睡眠健康的贡献远大于任何单一维度。在各分析方法中，床垫测量的睡眠时长（ΔR2 = 0.015-0.018）、规律性（ΔR2 = 0.011-0.019）和效率（ΔR2 = 0.010-0.015）对Ru-SATEDC的贡献最大，时间指标的贡献最小（ΔR2 = 0.001-0.006）。
树结构回归模型进一步揭示了个体睡眠健康评分的具体组合模式。模型生成了九个经验推导的亚组，其中亚组4的Ru-SATEDC评分最低（均值11.9），该组个体具有低睡眠效率（≤81.5%）、高规律性（睡眠中点标准差<0.8小时）和短睡眠时长（≤5.3小时）的特征。亚组9的Ru-SATEDC评分最高（均值16.4），该组个体需要满足高效率（>81.5%）、中高规律性（睡眠中点标准差<1.3小时）、较长时长（>6.2小时）且睡眠中点不早于凌晨1点等条件。这些结果表明，最佳自我报告睡眠健康需要行为性睡眠的各维度均处于相对良好水平，而较差或平均的自我报告睡眠健康则可能由多种不同的维度组合不佳所导致。
多项式回归模型的三维可视化展示结果与树结构模型一致。在睡眠中点为凌晨2点的中位水平下，较高的规律性和效率与较高的Ru-SATEDC评分相关。最佳Ru-SATEDC评分出现于较高规律性（睡眠中点标准差约7小时）和高效率（>约85%）的个体中，而当规律性和效率均较高时，较宽的时长范围内仍可获得较好评分。这一发现提示，在行为性睡眠维度达到一定良好水平后，个体对于睡眠时长的适应范围可能更为宽泛。
敏感性分析结果与主要分析基本一致。在未调整的Ru-SATED模型中，效率的解释贡献最大（ΔR2 = 0.017），其次是时长（ΔR2 = 0.016）和规律性（ΔR2 = 0.014），时间贡献最小（ΔR2 = 0.006）。在仅包含四个可被床垫直接测量维度的Ru-TED分析中，规律性的贡献最大（ΔR2 = 0.019），其后依次为时长（ΔR2 = 0.013）、效率和时间（均为ΔR2 = 0.011）。分层分析显示，低于中位年龄、床垫测量夜数较少及教育程度较低者中，模型解释的方差比例较低。
讨论部分指出，研究结果强调了几项关键信息。第一，自报告睡眠健康与行为性睡眠维度之间的关联是多维而非单维的，多个床垫测量睡眠维度的组合比任何单一维度更能解释自我报告的睡眠健康变异。第二，即使建模了复杂交互作用，行为性睡眠维度仍仅解释了自我报告睡眠健康不到10%的方差，这提示自我报告睡眠健康反映了超出行为性睡眠测量所能捕捉的主观体验维度，如满意度和警觉性/嗜睡程度。第三，从临床睡眠医学视角来看，针对效率和规律性的行为干预可能对改善自我报告睡眠健康具有最大影响，且临床建议应将行为性睡眠与自我报告睡眠健康区分对待，并综合评估年龄、性别、身心健康状况等非睡眠因素。第四，研究样本虽年龄范围广泛并具备一定代表性，但属于便利样本，可能偏向对睡眠感兴趣或社会经济资源较充裕的个体，且Sleep Number床垫的验证研究样本量有限，其睡眠-觉醒分类特异性较低，这可能影响结果的外推性。此外，床垫测量假设用户在整个研究期间使用同一侧床铺，且研究未收集共病及心理健康数据，这些均为未来研究需进一步考察的方向。
结论：研究人员采用四种方法探索了床垫测量的睡眠健康维度与整体自我报告睡眠健康之间的复杂关系。虽然自我报告睡眠健康与四个床垫特征之间的关联强度不大，但观察到最佳自我报告睡眠健康出现在每个维度均具有最佳客观测量睡眠的个体中。一旦研究结果得到复制，将有可能指导未来多维睡眠健康研究的建模方向，并通过识别需要治疗的重要睡眠健康特征组合来影响临床实践，从而提升睡眠医学的个性化水平。
