医学生睡眠-数字表型：基于潜在类别分析与症状网络的实证研究

《Sleep Research》：Sleep-digital phenotypes among undergraduate medical students: A latent class and symptom-network analysis

　　

摘要专业翻译 背景：关于学生智能手机使用的研究通常将屏幕时间视为单一线性风险因素，并将睡眠质量二分化处理，这掩盖了症状如何聚类及相互关联的复杂模式。 方法：在一项横断面调查中，354名印度本科医学生报告了睡眠质量、嗜睡程度、睡眠卫生、压力、情绪及数字习惯。潜在类别以考试百分比和过度日间嗜睡进行外部验证，二者均未用于类别推导。基于39个条目构建的正则化偏相关网络定位了跨领域桥接症状，并进行了稳定性及领域定义敏感性分析。 结果：研究识别出三个呈严重程度梯度的类别：低负担组（36.2%）、中负担组（48.0%）和高负担组（15.8%）。考试分数（高负担组64.4% vs. 低负担组68.0%）及过度日间嗜睡（33.9% vs. 10.9%）在不同类别间存在显著差异（p = 0.003；p < 0.001）。最强且最稳定的桥接症状为睡前剧烈运动、情绪低落、入睡困难及感知压力（bootstrap前10保留率93%–99%）。在五种领域定义下，至多一个数字习惯条目进入前10。睡前手机使用目的与睡眠差无显著关联（校正后p = 0.90）。 结论：高负担少数群体承担了不成比例的嗜睡和学业损害。睡前唤醒和压力而非屏幕暴露是与睡眠问题关联最强的症状，值得作为干预靶点进行纵向检验。

论文解读

一、研究背景与问题

医学生群体中过度日间嗜睡和睡眠质量差是普遍现象，与注意力受损、情绪问题和学业表现下降密切相关。智能手机使用作为睡眠问题的重要相关因素，在既往研究中通常被当作单一线性风险因素处理，以屏幕时长作为唯一暴露变量，并将睡眠质量简单二分为“好”与“差”。这种研究范式存在两个明显局限：其一，将异质性较强的学生群体强行归入单一“睡眠差”或“睡眠不差”类别，忽略了数字习惯、睡眠卫生和心理症状共现模式可能定义出多个临床上有区别的亚组；其二，将屏幕暴露视为单一数量指标，未追问睡前手机使用的内容和目的是否比使用时长更重要。基于此，研究人员提出三个互不重叠的研究问题：第一，睡眠、数字习惯和心理指标能否在经验上聚类为不同的表型，且这些表型在未用于定义类别的考试表现和日间嗜睡上是否存在差异；第二，在个体症状层面，哪些条目最强烈地连接数字习惯、睡眠障碍和日间嗜睡症状群；第三，作为次要和稳健性分析，睡前手机使用的目的（而非仅时长）是否与睡眠差相关，以及非线性机器学习模型能否检测到线性模型遗漏的结构。

二、研究设计与主要方法

研究人员采用横断面调查设计，于2026年5月26日至6月11日期间，对印度卡纳塔克邦一所医学院校第二、第三和毕业年级的本科医学生（MBBS）进行分层比例随机抽样。以专业年级为分层变量，从官方班级注册名册（每年级150人，共450人）中抽取样本，最终纳入354名学生（占450人的78.7%），其中二年级130人、三年级131人、毕业年级93人。数据通过结构化匿名数字自报问卷在监督式环境中收集。研究使用的主要统计方法包括：潜在类别分析（LCA），采用StepMix软件包（分类测量模型，20次随机起始），基于九个分类或有序指标（五个PSQI分量表、数字习惯风险三分位、感知压力三分位、低情绪二分类及日间小睡有序变量）进行一至五类模型比较，以贝叶斯信息准则（BIC）、样本量校正BIC（aBIC）、赤池信息准则、分类熵、平均后验类别分配概率（AvePP）及最小类别规模为选择依据，并以bootstrap似然比检验（BLRT）进行模型间正式比较；症状网络分析，基于39个条目（7个数字习惯条目、9个PSQI障碍频率条目、8个ESS条目、13个SHI条目、感知压力和低情绪）构建图拉索（graphical lasso）正则化偏相关网络，以交叉验证选择惩罚参数，保留绝对偏相关大于0.05的边，计算桥接强度（节点与自身领域外节点的绝对边权之和）和带符号桥接期望影响，并通过1000次非参数案例重抽样bootstrap评估稳定性，以案例丢弃子集bootstrap计算相关稳定性系数（CS系数）；次要分析包括多变量逻辑回归检验睡前手机使用目的与睡眠差和过度日间嗜睡的关联，以及梯度提升分类器（XGBoost）与逻辑回归模型的五折交叉验证AUC比较和SHAP特征重要性分析。

三、研究结果

3.1 潜在类别分析结果：BIC和aBIC均支持三类别解（近似正确模型概率0.99），三类别解分类清晰（熵0.81，AvePP 0.90–0.94），最小类别占比15.8%。三个类别形成有序严重程度梯度而非性质上不同的类型：低负担/韧性组（n = 128，36.2%）在所有九个指标上得分最低；中负担组（n = 170，48.0%）处于中间水平；高负担组（n = 56，15.8%）在每个指标上得分最高。外部验证显示，考试百分比在低负担组（68.0%）和中负担组（68.1%）相近，但在高负担组降至64.4%（单因素方差分析p = 0.003），且变异更大（SD 13.0 vs. 5.5–5.8）；过度日间嗜睡从低负担组的10.9%升至中负担组的25.3%和高负担组的33.9%（卡方检验p < 0.001）。睡前手机使用目的也因类别而异（卡方p = 0.007；置换检验p = 0.006）：以学习为主要目的的比例从低负担组的13.3%降至高负担组的0%，而混合使用从38.3%升至53.6%。当加入全部七个PSQI分量表进行敏感性分析时，三类别解与主分析高度一致（调整后Rand指数0.87，95.8%学生被分配到对应类别），考试百分比（p = 0.004）和过度日间嗜睡（p = 0.004）呈现相同梯度。

3.2 症状网络分析结果：39节点网络共包含121条绝对偏相关大于0.05的边。桥接强度排名前10的条目依次为：睡前1小时内剧烈运动（SHI）、低情绪/焦虑、30分钟内无法入睡（PSQI）、感知压力、睡前感到紧张/焦虑（SHI）、睡眠期间手机放在床上或床边（数字习惯）、午后躺下时打瞌睡（ESS）、与人交谈时打瞌睡（ESS）、做噩梦（PSQI）以及使用床进行非睡眠活动（SHI）。前四个最强桥接症状在bootstrap重抽样中保留于前10的比例为93%–99%，而做噩梦仅22%，被视为初步结果。CS系数为0.30，高于最低可解释阈值0.25但低于优选值0.5。在带符号桥接期望影响指标下，剧烈运动条目因正负边相互抵消而跌出前10，低情绪、无法入睡、感知压力和睡前紧张位列前四。在五种领域定义敏感性分析中，至多一个数字习惯条目进入前10。直接连接日间嗜睡症状群的边较少且较弱，最大连接来自睡眠卫生行为：睡前剧烈运动（绝对权重和0.43）、白天小睡2小时以上（0.23）和使用床进行非睡眠活动（0.16）；感知压力和低情绪与任何ESS条目均无直接边，其连接主要通过夜间睡眠障碍和睡前唤醒条目间接实现。

3.3 次要分析结果：睡前手机使用目的与睡眠差的关联在校正前（卡方p = 0.23）和校正后（似然比检验p = 0.90）均无统计学显著性，各校正比值比（OR）为0.97–1.84，均p > 0.45。将非学习目的合并为一组后，粗略OR为3.45（95% CI 1.01–11.83），校正后降至1.52（0.37–6.21）。过度日间嗜睡的结果类似（卡方p = 0.19；似然比检验p = 0.69）。校正模型中，数字习惯风险评分（校正OR 1.11，95% CI 1.03–1.21）、压力、低情绪和住校仍与睡眠差独立相关。梯度提升模型在交叉验证判别力上未优于逻辑回归模型（睡眠差：AUC 0.75 vs. 0.82；过度日间嗜睡：AUC 0.69 vs. 0.77），SHAP特征重要性与逻辑回归模型预测因子高度一致。

四、讨论与结论

研究人员指出，三个经验推导的睡眠-数字类别呈有序严重程度梯度而非性质不同的症状类型，提示该人群的睡眠-数字负担本质上是维度性的。15.8%的高负担少数群体承担了不成比例的嗜睡和学业损害，且可通过高AvePP清晰分类，适合优先关注。四类别解将梯度上端重组，分离出一个过度日间嗜睡患病率超过一半的极高负担亚组（6.5%），提示梯度上端本身可能具有异质性。症状网络中最强且最稳定的跨领域桥接症状是睡前唤醒（入睡困难、睡前紧张）和心理困扰（低情绪、感知压力）的标记，而非数字习惯条目。这一发现在bootstrap重抽样、带符号与无符号桥接指标以及全部五种领域定义下均成立，是本研究最稳健的结果。剧烈运动条目虽在桥接强度上排名第一且重抽样稳定，但其边符号混杂、68%学生从未报告该行为、且与压力和情绪无直接边，不完全符合简单唤醒通路解释，可能部分反映偏态低方差条目的影响，因此唤醒解释主要基于压力、情绪和入睡条目。数字习惯条目中仅“手机放在床上或床边”进入前10，但其桥接强度包含与剧烈运动条目的负边，带符号桥接期望影响较小（0.14），bootstrap保留率仅65%，该观察属初步发现。研究结论指出：医学生睡眠、数字习惯和心理指标聚类为三个严重程度层级，高负担少数群体承担不成比例的日间嗜睡和学业损害；睡前唤醒、压力和情绪条目比数字习惯条目在症状域间连接更强；由于数据为横断面设计，这些连接确定的是候选干预靶点而非因果通路。纵向和干预研究应将识别高负担层级与针对睡前唤醒和压力的策略相结合，同时辅以常规屏幕时间建议，作为下一步合理方向。