摘要
背景
需要更好地理解失眠与焦虑、情绪、饮食和酒精使用障碍之间的关系，因为这些关系在年轻人中普遍存在。监督机器学习提供了评估哪些精神疾病最能引起美国大学生失眠加剧的能力。结合贝叶斯网络分析，可能揭示失眠与其他相互作用症状之间潜在的方向性关系。
方法
当前的探索性分析利用了在美国26所学院和大学中收集的全国大学生样本，该样本是在进入随机对照试验之前进行的人群筛查过程中获得的。我们采用了一种四步统计方法：（1）在疾病水平上，使用弹性网正则化模型研究失眠与7种精神障碍（重度抑郁症、广泛性焦虑症、社交恐惧症、恐慌症、创伤后应激障碍、神经性厌食症和酒精使用障碍）之间关联的重要性；（2）通过保留样本对该模型进行了评估。（3）在症状水平上，利用贝叶斯爬山算法计算了完成的部分定向无环图（CPDAG），以估计失眠与其最相关的精神疾病之间的潜在方向关系[基于SHAP值]；（4）然后使用结构汉明距离（SHD）来评估保留样本中的等式（或不等式），从而测试该CPDAG的泛化能力。
结果
在31,285名参与者中，有20,597名为女性（65.8%）；平均（标准差）年龄为22.96（4.52）岁。弹性网模型在训练样本中表现出预测失眠严重程度的临床意义。R2等于0.44 (0.01)；均方根误差等于5.00 (0.08)，在保留样本中的表现相当。R2=0.33; RMSE=5.47）。SHAP值表明，任何精神障碍的存在都与更高的失眠评分相关联，其中重性抑郁障碍是与加剧的失眠最相关的障碍（平均|SHAP|=3.18）。训练CPDAG和保留集CPDAG（SHD=7）表明，抑郁症状预示着失眠的发生，情绪低落、疲劳和自我价值感作为关键父节点。
结论
这些发现提供了关于失眠与大学生精神障碍之间关联的见解，并且需要进一步研究失眠和抑郁症之间的潜在因果关系。
临床试验注册
试验已在国立卫生研究院RePORTER网站注册(R01MH115128 || 2018年08月23日)。
睡眠紊乱通常被视作一种跨诊断机制，在各种精神障碍中均可观察到。1]并且，在某些情况下，甚至被纳入了诊断标准中[2]. 与之前将失眠仅仅视为其他心理健康问题的症状或后果的概念不同，一种新兴的观点认为，睡眠障碍与其他精神障碍之间存在着复杂的相互关联和双向影响[3,4,5这样的发现并不令人意外，因为报告睡眠-觉醒障碍的患者，尤其是最常见的失眠症，表现出更高的共病率（例如，患有失眠症的人中有40%报告有其他疾病，而没有睡眠困难的人中这一比例为16.4%）[6系统回顾也发现睡眠障碍与大多数精神疾病之间存在关联，包括所有焦虑症、抑郁症、酒精使用障碍和饮食障碍。7,8,9,10类似地，荟萃分析证据发现共病与快速眼动压力变化增加和睡眠深度受抑制有关 [11然而，尽管大学生睡眠困难的发病率很高，但代表性样本却相对较少。例如，超过60%的美国学生被归类为睡眠质量差。12], 大约有7.7%的人符合失眠的标准 [13因此，较短的睡眠时间和不规律的睡眠-觉醒周期与较低的成绩点平均值显著相关。14], 伴有较差的睡眠质量和较高的患精神障碍的风险（例如，OR = 2.36 [15鉴于失眠与这一人群中几种精神障碍之间的相互关系，进一步厘清其关联可能有助于我们了解哪种精神障碍最与美国大学生的失眠加剧相关以及它们可能的方向性关系。
拥抱这种复杂性需要一种细致的方法。与未正则化的方法（例如线性回归）不同，监督机器学习方法允许将不同的小变量效应汇总起来以影响临床结果，同时还可以考虑复杂的、交互的或非线性的效应。16弹性网正则化（弹性网）尤其优于无正则化的approaches，因为它能够最小化多重共线性带来的不利影响，并减少虚假正向关联的概率。注意这里的“approaches”可能指的是其他未正则化的模型方法，在中文中不一定有直接对应的词汇，所以保留了原文的表述方式。如果需要更自然的表达可以替换为“方法”。17因此，弹性网导致了更为简洁、稳定性更强且准确性更高的模型，并且相对于线性回归来说，其样本外预测性能更高。18, 19因此，在最近的研究中使用了这样的模型来理解失眠与共病症状之间的关系。例如，Bard等人利用了一项对照试验的基线数据。20评估了功能损害，并研究了失眠患者中抑郁和焦虑症状的相对重要性。Lyall等人的研究也表明了这一点。21利用英国生物银行的活动记录仪和精神健康数据来确定与抑郁症最相关的睡眠特征（如睡眠时长、昼夜型）以及是否可以据此识别出预后较差的患者。
进一步的证据是必要的，以确定较高的失眠程度是否主要与某些疾病的有无相比其他疾病更为相关。McCallum等人。[22使用简单回归发现，广泛性焦虑障碍（GAD）和重度抑郁障碍（MDD）与睡眠障碍之间存在独立关联，即使在调整混杂因素后也是如此，并且这两种精神障碍在九种精神障碍中贡献最大。然而，采用弹性网络的监督机器学习方法，该方法平衡了偏差-方差权衡，可能是一个更好的选择。
尽管出现了诸如开创性的SHAP（夏普利 additive exPlanations，即夏弗利加性解释）之类的机器学习框架[23], 允许对变量对模型预测影响的大小进行解释，揭示关系结构是一个艰巨的挑战。网络分析是一种适合此类研究的方法论途径，鉴于其目标是解开症状之间复杂且自我强化的因果互动动态。24一般来说，在这种方法中，网络由症状（节点）及其之间的关联（边）组成。换句话说，两个节点之间的边表示在保持网络中所有其他症状不变的情况下，两个症状之间的条件依赖关系。25在这种方法中，假设将症状视为导致其他症状发展的因果因素，当这些症状不受控制时，会超过一个关键阈值并发展成为一个新的有害平衡状态，即所谓的心理障碍。26, 27].
失眠作为一个节点或一组节点，在许多之前的横断面网络分析中出现，提供了症状之间关联的快照。现有研究包括检查失眠的网络结构[28,29,30,31,32,33,34但也包括失眠与单一疾病的关系，如MDD[35,36,37,38], 创伤后应激障碍（PTSD）[39], 精神病 [40], 和精神分裂症 [41], 或伴有跨诊断因素，如过度警觉[state]42]或人格特质[43然而，在失眠与多种障碍之间也建立了横断面网络，最常见的是在重性抑郁障碍和 generalized anxiety disorder 之间。注：GAD的中文通常翻译为广泛性焦虑障碍，此处根据上下文保留原词。 如需更自然的表达，请参考以下： 然而，在失眠与其他多种疾病之间也发现了横断面关联，最常见的就是与重性抑郁障碍（MDD）及广泛性焦虑障碍（GAD）之间的联系。20, 44,45,46,47,48,49或进一步加上PTSD [50], 也是在持续性哀伤障碍（PGD）和创伤后应激障碍（PTSD）之间的差异[51]. 大多数研究使用了图形高斯模型（GGM），换句话说，就是部分相关系数的无向网络，以及图论LASSO（最小绝对收缩和选择算子[LASSO]52作为正则化技术以避免虚假的、假阳性的边缘。然而，正如Williams和Rast指出的：53进一步由McNally等人强调指出。54], 图形LASSO被开发并优化用于处理变量数量多于参与者数量的高维设置，而在典型的网络结构中这种情况很少出现，因此会导致不必要的稀疏性。此外，尽管做出了努力，此类研究中采用的传统GGM方法对潜在的方向性做出的推断很少。
相反，贝叶斯网络分析，如有向无环图（DAG），允许基于横截面数据估计有向网络。尽管DAG不能确认时间上的先后顺序，但它可以提供初步线索来识别边之间的概率依赖方向。55也就是说，如果一条边从节点X出发并连接到节点Y（即X → Y），节点Y的存在比反过来更强烈地暗示了节点X的存在。而被视为“父节点”（X）的节点可能在没有其“子节点”（Y）的情况下存在，但子节点的存在则表明了父节点的存在。然而，因果关系的确立基于多个条件：这些条件包括不存在双向因果关系（例如X导致Y且Y又导致X）或因果循环（例如X导致Y、Y导致Z以及Z又导致X）；其次，数据集中不能缺少任何显著变量。54据我们所知，有两个关于失眠及其常见共病的研究采用了贝叶斯方法。在这其中的一项研究中，张等人【Zhang等】56阐明了失眠与抑郁以及与中国青少年相关的健康行为（例如，互联网使用、身体不活跃、吸烟、饮酒）之间的关联。在另一项研究中，Yu等人。57考察了睡眠障碍与中国成年人心理健康（如焦虑、抑郁、孤独感、幸福感和健康态度）之间的关系。然而，是否可以将这些关联推广到其他人口群体或其他精神疾病需要进一步评估。
目前的探索性研究旨在通过首先考察7种障碍（重度抑郁症[MDD]、广泛性焦虑障碍[GAD]、社交焦虑障碍[SAD]、恐慌障碍[PD]、创伤后应激障碍[PTSD]、神经性厌食症[AN]和酒精使用障碍[AUD]）与失眠的相关重要性来填补这些空白。然后，我们有兴趣探索症状水平上最有可能的障碍的贝叶斯网络分析。因此，我们采用了一种简单的四步统计方法：（1）在诊断层面，运用弹性网模型以及SHAP来揭示与失眠相关的心理障碍的重要性，并作为进一步建模中的变量选择；（2）在一个独立样本中测试该模型的一般适用性；（3）在症状层面上，DAGs描述了失眠及其最相关障碍之间的结构、关系、潜在重要性和可能的方向；（4）受Bard等人[20], 他们随机将数据划分为训练集和保留集以评估其GGM的可重复性，我们通过在保留集中使用结构汉明距离（SHD）来评估DAG的一般适用性。
方法
参与者
本研究是对39,194名寻求治疗的参与者进行的二次分析，这些参与者来自美国26所大学和学院，并参加了正在进行的一项随机对照试验的筛查工作。该试验旨在调查一种跨诊断指导型移动心理健康干预措施的有效性，这种干预措施使用了针对大学生预防和治疗焦虑症、抑郁症和进食障碍的人口水平筛选方法（clinicaltrial.gov；ID: NCT04162847）。参与者如果年满18岁及以上，在26所参与大学之一注册，并提供了参加研究的知情同意书，且通过了一项注意力检查题，则有资格进行筛查。详见Fitzsimmons-Craft等人的报告。58] 以获取更详细的资格标准描述。参与者仅因为预览调查而被排除在外（n等于1)，没有响应（n等于5,513)或否认（n同意筛查，年龄低于18岁n等于63)，没有报告他们的年龄（n等于1,154)，不是本科生（n等于629)或没有报告他们在学校的年级(Initialized as equals to 629) 或未报告他们在校的年级n＝46）。最终样本是全国代表性样本，共有31,285名本科生。本研究的所有数据均在随机对照试验选择或干预实施之前收集。
程序步骤
参与大学的学生在2019年10月至2021年11月期间收到了一封电子邮件邀请，完成关于健康和幸福感的简短调查。邮件要么发送给整个学生群体，要么随机发送给部分学生群体，并且这些邮件是发给所有年级（17所学校）或仅一年级或二年级（9所学校）的本科生。邮件通知学生，根据他们的回复，他们可能有资格参与后续的一项研究，在该研究中，他们可能会被随机分配到旨在支持心理健康的不同条件组别中。邮件包含了一个通过Qualtrics进行在线筛选调查的链接。参与的学生有机会参加抽奖赢取价值100美元的礼品卡之一。本研究已获得所有作者所在大学和各参与学校管理员的机构审查委员会批准。
措施
所有模型均基于干预措施实施前捕获的数据，包括失眠、重度抑郁症（MDD）、广泛性焦虑障碍（GAD）、创伤后应激障碍（PTSD）、社交焦虑障碍（SAD）、惊恐障碍（PD）、神经性厌食症（AN）和酒精使用障碍（AUD）。
失眠采用失眠严重程度指数（ISI；59]). ISI包含七个使用5点李克特量表回答的问题，这些问题的总和生成一个介于0到28之间的分数，得分越高表示失眠严重程度越大。本研究中的Cronbach’s alpha系数为.884。其内部一致性、同时效度以及对失眠患者临床改善的敏感性已经得到了很好的证实[60].
使用患者健康问卷-9（PHQ-9；[61]). 参与者报告了过去两周内9个项目上的抑郁症状频率，每个项目采用从0（“根本没有”）到3（“几乎每天”）的四点量表。总分范围为0至27。当前研究中的克隆巴赫系数为.877。如果参与者的得分达到10或更高，则他们被筛查出可能患有重性抑郁障碍，保持了0.88的灵敏度和0.85的特异度 [62].
使用初级保健创伤后应激障碍筛查量表（PC-PTSD；[63），总分范围为0到4。如果参与者得分达到3或更高，则被认为可能患有PTSD，这表明其灵敏度为0.78，特异度为0.89 [63当前研究的Cronbach's α系数为0.806。
广泛性焦虑障碍使用广泛性焦虑障碍问卷第四版（GAD-Q-IV；[64），特异性和敏感性分别为0.82和0.89，总分范围为0至12。抑郁情绪采用社交恐惧诊断问卷（SPDQ；[65），特异性为0.85，灵敏度为0.82，并且总分范围从0到27[65]. 使用恐慌障碍自评量表（PDSR；[66），特异性保持在1.00，灵敏度为0.89，总分范围从0到24 [66]. 本研究的Cronbach's α值分别为0.856、0.97和0.959。这些测量都基于《精神疾病诊断与统计手册》第5版评估了完整的诊断标准[2]. 如果参与者符合所有诊断标准，则筛查出该障碍阳性。GAD-Q-IV、SPDQ 和 PDSR 与结构化访谈相比，分别表现出良好的重测信度、良好的聚合效度和区分效度，并且一致性 Kappa 值分别为 .67、.66 和 .93。
AN通过体重和体型担忧量表（WCS；\[67]).体重/体型关注量表的总分范围为0到100。参与者如果得分达到或超过59，并且当前体质指数（基于自报身高和体重计算）≤18.45，则被筛查出可能患有神经性厌食症。本研究中的克隆巴赫阿尔法系数为.797。这些标准已在先前的在线筛查研究中使用过[68].
AUD使用酒精使用障碍识别测试消费量表（AUDIT；[])进行评估69]). 该量表包含三个关于酒精消费的问题，采用4点李克特量表回答，总分范围为0到12。当前研究的Cronbach’s alpha值为.85。为了识别可能的AUD，我们对出生时被指定为男性的参与者使用了临床临界值为4或更高的标准，而对于出生时被指定为女性或间性别的参与者则使用3或更高的标准。该系统对于男性具有.88的灵敏度和.75的特异性，对于女性具有.87的灵敏度和.85的特异性。70].
统计分析
预处理
数据被随机划分为70%的训练集和30%的独立测试集，用于评估模型在完全未见的新案例上的表现。我们样本中包含变量的缺失值很低，并且各集合中的缺失值比例相近（分别为6.26%和6.41%）。
然而，为了处理所有分析中的缺失数据，采用了一种机器学习方法进行插补，具体使用了通过R包实现的非参数随机森林缺失值插补方法。老鼠 [71]. 缺失值通过汇总10个多重插补数据集进行处理，每个数据集中包含100次迭代，以最小化偏差误差计算并生成稳定的估计值。随机森林插补分别对训练集和保留集进行。在每次插补前进行了少量的重新编码调整，以保持变量之间的内在关系（如van Ginkel等人建议的）。72]). 此外，为了防止变量分布之间的“数据泄漏”，所有预处理步骤分别在训练集和保留集中进行。节点对之间的拓扑重叠也被筛查并移除，如果发现的话，可以通过R包中的“goldbricker”函数移除。网络工具 [73].
监督机器学习（弹性网正则化）
弹性网开发
弹性网正则化是一种结合了岭回归和LASSO范数的常规回归形式。它提供了一个惩罚项，通过lambda超参数来平衡稳定性和简洁性。同时，它使用一个alpha超参数调节这两种范数之间的平衡程度。通过重采样网格搜索对alpha和lambda进行了调优。最终模型是通过重复十折交叉验证选择的，以最小化真实误差的偏差估计并评估模型性能的稳定性。74]. 十折交叉验证将样本划分成10个子集，其中9个子集用于训练过程，然后在剩余的一个子集上进行测试。75]. 这个过程对剩余的10个子集重复进行，构建新的模型，直到每个子集仅在训练和测试数据中使用一次。然后该程序通过10折重做10次，总共生成10个模型。最后将这些模型平均以产生单一估计值。最终的alpha和lambda值是基于最小均方根误差（RMSE）选择的，并用于估算模型系数。
在当前的研究中，弹性网模型将7种障碍（MDD、GAD、PTSD、SAD、PD、AUD、AN）作为二元变量（即存在与否），并将失眠作为一个连续的结局指标（即总ISI得分）。采用这种方法是因为我们首先想了解哪种临床障碍与失眠症状最相关。通过应用带有高斯噪声的回归合成少数过采样技术(SMOGN；[76]),该方法通过随机欠采样高频案例并使用SmoteR和高斯噪声过采样罕见案例，以生成连续结果中更加平衡的案例比例，并提高预测准确性。不平衡发生在机器学习模型偏好从高频案例进行预测而忽略罕见案例的情况下，即使只是出于偶然性也会优先考虑高准确率。所有分析均在R版本4.3.1中使用caret包完成。77].
弹性网评估
通过在保留样本中的个体上应用模型来评估从训练样本构建的交叉验证弹性网模型，以预测失眠严重程度。重要的是，保留样本中的个体并未被用于弹性网模型的发展和调优过程。均方根误差（RMSE）确定了模型的准确性，即误差的大小。较低的值代表较高的准确性。决定系数（R2也有使用，鉴于证据表明R2基于回归的监督机器学习中最具有信息量的指标之一78]. R2确定的预测能力，即弹性网模型解释结果变异量的比例。值以百分比形式解读，范围从0到1，数值越高表示预测能力越强。本研究采用Uher等人的基准标准。79], 找到了一个R2推断出具有临床意义的6.3或更高版本。
弹性网变量重要性
使用SHAP（夏普利加性解释）值运行了可解释的人工智能方法23为了便于弹性网模型的可解释性，SHAP值为每个变量分配了一个数值，表示该变量在所有可能的变量组合中的平均贡献。所有参与者平均的SHAP值为0，但平均绝对SHAP值提供了相对变量重要性的信息。我们不知道有任何阈值可以用作使用SHAP值进行变量选择的经验截止点。鉴于我们在确定后续建模时使用了SHAP值，我们将任何SHAP值超过1的变量纳入网络分析中。
贝叶斯网络（有向无环图）
网络估计
通过R包“bnlearn”中的hill-climbing算法运行了DAG分析。80], 确定症状之间的潜在方向性和条件依赖关系。DAG（有向无环图）返回一个由症状（节点）及其相互关系（边）组成的网络。为了创建DAG，一个引导函数通过添加、删除和反转边的方向来计算网络的结构方面，以优化拟合优度评分（即，贝叶斯信息准则[BIC]）。此步骤确定边的存在与否；然而，它并不计算边的权重。为此，我们随机重新启动过程，使用不同的候选边连接不同的症状对，扰动系统。为了确保稳健性，我们进行了50次重启（根据Briganti等人，[55]) 和 100 种排列组合（由 McNally 等人实现 [81, 82]). 在当前的研究中，我们采用了一种通过完成的有向无环图（CPDAG）实现的贝叶斯网络，这是一种马尔可夫等价类，可以编码有向无环图（DAG）之间的相同条件依赖关系，并考虑了等效单独DAGs的缺点 [83失眠症被纳入DAG分析，作为一个单一总分，该分数来源于ISI（失眠严重程度指数），代表失眠的严重程度。在PHQ的所有项目中减去了第3项[失眠/嗜睡]，以防止多重共线性。
网络稳定性
为了验证所得网络的稳定性，我们启动了10,000个样本，为每个样本计算了一个网络，并将所有10,000个网络平均化以获得最终网络。遵循Briganti等人的推理[55], 我们首先确定了网络的结构，然后确认了每条边的方向。bnlearn程序为每个边计算一个BIC值。边的粗细对应于其绝对BIC值，因此也反映了它对模型拟合的重要性。绝对BIC值越大，如果从网络中移除该边，则对模型拟合的影响越严重。因此，高绝对BIC值表明了在最好地刻画数据结构的模型中某条边的重要程度。与Sachs等人[84], 如果在至少85%的自助网络中从症状X到症状Y存在一条边，那么这条边将出现在最终的平均网络中。之后，如果在至少51%的自助网络中从症状X到症状Y存在一条边，则使用箭头从节点X指向节点Y来表示该方向。因此，这样的显著性阈值促进了最终平均网络的稳定性，并导致了确保真实边的存在稀疏网络。最后，我们计算了一个相同的网络，但将边的厚度反映为所描绘的方向发生的概率。
网络确认性分析
通常，在截面网络分析中参数估计的可靠性和可重复性没有被考虑，并且至少是值得怀疑的（例如，[85,86,87,88]). 在当前调查中，采取了三个步骤来确保模型的稳定性：（1）随机扰动以避免局部最大值并优化拟合优度指标（即BIC值）；（2）通过引导法生成10,000个不同的DAG图来确定边的方向和强度；（3）使用Sachs等人的显著性阈值。84作为我们自举稳定性测试的补充，通过在独立的验证样本上重复步骤1至3构建CPDAG，并随后评估训练样本开发出的CPDAG与之之间是否存在相等或不等的关系来进行确认性分析。为了检验训练集和验证集CPDAG之间的相似性，使用了结构汉明距离（SHD），它量化了在网络转变为被比较网络时所需进行的节点、弧线以及方向改变的数量总和。89即通过将训练网络与保留网络进行比较来计算真正例、假正例和假反例弧，保留网络被视为“真正的”标准网络。这使得可以测试网络估计在两个数据子集上是否大致一致，进一步表明其泛化能力。
结果
样本特征
筛选样本的特点如下表所示：表1以及诊断严重程度，训练样本和保留样本之间的划分可参见表2大多数参与者被识别为女性（63.4%）、异性恋（72.7%）、白人（65.7%）和非西班牙裔（67.5%）。
弹性网正则化
共有21,899名参与者纳入训练模型，9,386名参与者纳入验证模型。在完整的训练样本上运行的弹性网络模型，通过重复十折交叉验证得出的最佳alpha参数为0.1，lambda参数为0.008（根据RMSE标准）。最终的弹性网络模型在预测训练样本中的失眠严重程度方面具有临床意义。R2等于0.44 (0.01)，均方根误差为5.00 (0.08)]，在验证样本（即完全未见的新案例）中解释的变异性类似。R2等于0.33，均方根误差为5.47）。SHAP变量重要性排名的结果如图所示。1，其中SHAP值表明MDD（SHAP = 3.18，对照β = 6.39）是与失眠相关最重要的障碍，因此适合进一步建模；其次是GAD（SHAP = 0.96，对照β = 2.30）和PTSD（SHAP = 0.96，对照β = 2.18）。脚注1然而，值得注意的是，七种精神障碍中的任何一种的存在都与更高的失眠评分相关。
SHAP变量重要性注意。为了确定相对重要性，我们使用了一种称为SHapley加性解释（SHAP）的解释性方法黄金标准。SHAP值提供了对每个变量对模型预测贡献的更全面理解。
directed acyclic 图片graphs 在这里可能是指“有向无环图”，但是由于原始英文短语不完整且可能存在输入错误，“Directed acrylic graphs”并不是一个标准的术语。如果确实指的是有向无环图，正确的术语应该是 "directed acyclic graph" (DAG)。请根据具体上下文确认所需翻译或提供更正后的原文。原句：Directed acrylic graphs
在训练数据上构建的CPDAG（ Completed Partially Directed Acyclic Graph）N（如图所示）=21,899)，如图所示。2，显示了一系列依赖于情绪低落这一父节点的症状链，这些症状直接预测了疲劳、快感缺失、自我评价差、注意力问题、饮食问题、精神运动障碍、自杀意念或失眠。也就是说，情绪低落没有传入的边（即入度=0），但有八条传出的边（即出度=8）。最重要的两条箭头分别将情绪低落与疲劳（BIC变化量为-4067.81和方向概率为50.52%）以及情绪低落到自我评价差（BIC变化量为-3294.17和方向性概率为55.71%）相连。因此，疲劳成为有向无环图中具有一个传入箭头（即入度=1）和五个直接后继节点（出度=5）的关键步骤：快感缺失、自我评价差、注意力问题、饮食问题或失眠。总共有七条导致失眠的路径（情绪低落、疲劳、快感缺失、自我评价差、注意力问题、饮食问题或精神运动障碍）。换句话说，除了自杀意念外的所有抑郁症状都预设了失眠。也就是说，在存在情绪低落、疲劳、快感缺失、自我评价差、注意力问题、饮食问题或精神运动障碍的情况下出现失眠的可能性大于相反的情况。自杀意念仅通过情绪低落、自我评价差或精神运动障碍发生，这可能源于饮食问题或注意力问题以及情绪低落或自我评价差。自杀意念或失眠是唯一没有后续症状的症状，并因此不是任何其他症状的先决条件。使用Sachs等人[的方法绘制了具有箭头粗细表示方向概率的额外DAG图84该方法也进行了运行，并可在图中找到。3图中的BIC值2以及图中的方向概率值3如表所示3.
CPDAG重要性。注意基于训练样本构建的（n（等于21,899）。箭头的粗细表示贝叶斯信息准则（BIC；一种相对衡量模型拟合优度的指标）的变化，这种变化源于在平均的10,000次自助抽样网络中移除该箭头的比例。换句话说，一个箭头对模型拟合贡献越大，它就越粗。
CPDAG方向概率。注意基于训练样本构建的（n等于21,899）。边的厚度表示来自平均的10,000次引导抽样网络中箭头指向该方向的比例所产生的方向概率，或者说，图中所示预测方向的信心程度。
结构距离
如图所示(fig.)4，发现7个所需的运算符（SHD=7；即，添加或删除一条无向边，以及添加、移除或反转一条有向边；[89在留出的CPDAG（Collider Preserving Directed Acyclic Graph）中（N等于9386)以匹配训练CPDAG（N= 21,899）。抑郁情绪和疲劳的父节点，作为一个级联节点，与它的五个直接子节点（无兴趣、自我评价低、注意力问题、饮食问题或失眠）在网络中保持不变。然而，在保留网络（hold-out network）中有一些错误的正例，这些方向相对于训练网络或“真实网络”发生了改变。这些箭头包括注意力问题与无兴趣相关或失眠与精神运动性迟缓相关的部分。因此，在保留网络中，失眠获得了其中一个直接子节点，表示当出现失眠时更有可能伴随有精神运动性迟缓，反之则不然。自杀念头也增加了两个子节点：精神运动性迟缓或失眠。换句话说，自杀念头仅通过抑郁情绪或自我评价低来发生，并且可以直接预测失眠或精神运动性迟缓。因此，在保留样本中，没有子节点的节点从自杀念头和失眠切换到了精神运动性迟缓，这意味着自杀念头并不是其他症状出现的前提条件。
训练集和保留集CPDGs之间的相似性. 注意训练样本 (n等于21,899；hold-out样本（n= 9,386）。CPDAG = 完成的有向无环图。绿色箭头 = 真阳性；红色箭头 = 假阳性；SHD = 结构汉明距离。SHD 评估两个 CPDAG 的相似性，并表示将一个图转换为另一个图所需的边插入、删除或翻转的数量。较低的 SHD 值代表较高的相似性
讨论
本研究旨在通过一个大型的全国代表性样本，调查美国寻求治疗的大学生中失眠与常见精神障碍之间的关联，以确定较高水平的失眠是否最常与某些障碍的存在或不存在相关，并区分失眠与其最相关的障碍症状之间可能的方向性。
我们首先使用了一系列的疾病（包括重度抑郁障碍、广泛性焦虑障碍、创伤后应激障碍、社交焦虑障碍、恐慌障碍、酒精使用障碍和神经性厌食症）来预测失眠的严重程度，采用了弹性网正则化方法。弹性网模型解释了33%R2= 0.33) 的失眠变异量，部分原因是纳入了 MDD（重度抑郁症），SHAP 值将其识别为与失眠关联最紧密的障碍。GAD（ generalized anxiety disorder，广泛性焦虑障碍）和 PTSD（post-traumatic stress disorder，创伤后应激障碍）也被分别列为次要和第三重要的障碍，对模型性能有贡献但程度较小。研究结果与 Bard 等人的发现一致。20], 发现MDD症状（例如，低能量、抑郁情绪通过PHQ-9评估）是睡眠功能和损害多个领域中的关键特征，而与焦虑（GAD-7；[90]）和失眠症状（SCI-9；[91]). 我们的结果也与McCallum等人的研究一致[22], 分别发现了GAD、MDD和PTSD是导致睡眠障碍的主要因素，尽管首要和次要主要贡献者之间有所切换。差异可能部分源于样本的不同，因为我们使用的是美国大学生的代表性样本，而McCallum等人则不然。22], 其中提到了他们对澳大利亚一般社区样本中的自我选择偏差的观察。这可能也归因于测量误差，考虑到先前研究使用了基于 DSM-5 标准的未经验证的自陈清单，而本研究则采用了一种有效的和可靠的诊断自评量表，并且这些量表与结构化访谈有充分的一致性（例如 GAD-Q-IV、SPDQ、PDSR、PC-PTSD）。此外，我们的分析方法也不同于他们的做法，因为本研究通过机器学习模型的解释力来确定变量的重要性，该模型包含了所有疾病，而相比之下p每个病症测试的单独回归所得的值。
DAG分析被用来提供额外的见解，解释MDD症状可能导致失眠的原因。研究发现，情绪低落是最关键的核心症状，直接预测疲劳、快感缺失、自尊心低下、集中注意力困难、饮食问题、精神运动障碍和自杀意念或失眠。换句话说，疲劳、快感缺失、自尊心低下、集中注意力困难、失眠、饮食问题或精神运动障碍的出现都比情绪低落更有可能以情绪低落为前提条件。在典型的DAG结构中，上游节点具有更高的预测优先级，而下游节点则具有较低的激活潜力，并且不太可能影响网络中的其他症状。这些结果表明，失眠似乎依赖于网络中的其他下游症状，暗示失眠的发生更可能是由于MDD症状的存在而非相反。值得注意的是，与核心节点相关的网络估计在训练样本和保留样本中是一致的，进一步表明其可重复性。然而，在推断没有后代（即不是其他症状的前提条件）的节点时需要谨慎，因为不同样本之间存在差异。未来的研究需要通过模拟研究来确定数据子集间网络估计出现差异的一般情况及其对有效性的含义。
然而，我们的研究结果与DSM-5关于重度抑郁障碍(MDD)的指南一致。2], 建议抑郁情绪是重性抑郁障碍(MDD)的一个标志性特征，并且是赋予阳性诊断的两个主要症状之一[92]. 此外，作为父母症状的抑郁情绪与现有关于抑郁症(MDD)的网络综述一致[87, 93,94,95] 并且旨在识别重性抑郁障碍（MDD）最重要的核心症状的调查研究（例如，[96,97,98,99]). 结果也与关于MDD和失眠之间关联的研究一致[34, 37, 50, 57失眠常被发现是首次发作和复发性抑郁发作的一个强有力的危险因素。100哈维从机制上说，哈维[MAX_NOTE: 原文中"[]."可能是一个未完成或不完整的部分，在没有更多上下文的情况下，这里直接保留"Harvey"的名字进行了翻译。如果有更多的内容需要补充，请提供完整句子以便准确翻译。]101这表明这样的关联是由于存在双向循环。白天的情绪波动和症状会干扰夜间睡眠，而睡眠不足则会恶化第二天的情绪调节和症状。4], 形成恶性循环。由于情绪障碍患者容易受到生物节律紊乱的影响，而外部压力因素又可能导致生物节律的紊乱，这样的循环进一步持续下去。102因此，考虑到生理变化增加、繁重的学业负担和心理社会压力因素，大学生群体可能容易出现这样的周期。15].
DAG分析还指出，失眠在概率上依赖于疲劳或自尊心差的存在。这些发现与现有关于抑郁情绪、疲劳和自我评价症状在西方的中心性研究结果一致。97, 103,104,105]和东方文化[106,107,108此外，其他研究直接指出抑郁情绪直接导致疲劳[,请忽略方括号部分]。57通过疲劳直接或间接影响失眠[,]109事实上，疲劳已被报道作为连接抑郁和失眠症状最高的桥梁症状。35, 36, 48, 110].
我们的研究结果还对合并症患者的治疗目标具有影响。结果显示，抑郁情绪、疲劳和自尊心之间的相互关系预示着失眠的存在。未经治疗的抑郁症伴发性失眠已被证明会由于两种疾病与情绪调节障碍的关联而持续增加复发的风险。101, 111因此，在人群筛查和患者管理过程中应评估这两种障碍的存在。然而值得注意的是，抑郁症的治疗并不必然改善失眠症状。例如，抗抑郁药治疗后最常见的残留症状往往是与睡眠相关的抱怨。112], 需要针对性的失眠治疗 [113,114,115]. 对失眠的干预常常需要特定的行为策略（例如，睡眠卫生），这些策略不是药理治疗或用于重度抑郁症(MDD)的认知行为疗法(CBT)所固有的。（综述，请参见[])112]). 作为一种治疗失眠的疗法（认知行为疗法-失眠，CBT-I）已被证明在同时患有失眠和抑郁症的人群中对这两种症状都有效。但仍需进一步的随机临床试验来确定联合治疗方法是否优于单一方法，例如，比较CBT-I与单纯针对抑郁的认知行为疗法（CBT）的效果。
当前的研究并非没有局限性，值得仔细考虑。所有分析均基于观察性和探索性的数据而非实验数据。尽管贝叶斯学习方法能够使概率因果推断成为可能，但从此类数据中得出的网络无法从横截面数据中做出强有力的因果推断。要在网络范式内进行此类推断需要额外的假设（例如，[116,117,118]). 我们的CPDAG模型基于贝叶斯网络中的一些关键假设，包括症状之间的因果关系、无环性和没有排除重要变量的假设。有理由怀疑无环性假设可能被违反了，考虑到潜在反向方向性的程度。在这里，被认为最重要的箭头相对较弱，表明在相当一部分自助样本网络中，箭头指向两个方向。例如，抑郁情绪和疲劳几乎肯定相互影响。因此，在10,000个自助样本网络中有50%的连接抑郁情绪与疲劳的边是双向的。这两者变量之间的关联方向可能互为反转，意味着在一个无环图内可能存在一个“隐藏”的循环。违反无环性假设的影响尚不清楚，但至少表明当前DAG分析未能检测到反馈回路。因此，不满足无环性可能导致训练样本和保留样本之间真阳性、假阳性和假阴性的弧线比较结果出现偏差，因为可能有双向关系存在。故此，本研究发现的一个重大限制是它只能被视为一种概率因果关系的简化快照。我们没有找到任何使用时间网络分析来调查抑郁症与失眠之间的方向关系的研究。尽管乔丹等人[119] 发现了睡眠过程与抑郁情绪在自然环境中的纵向关联，但由于样本招募策略（即同质的护士样本）和测量选择（例如单一指标评估抑郁情绪），这些结果可能不适用于患有重度抑郁症（MDD）的患者。未来的研究可以通过收集时间序列数据来检测反馈循环，以阐明抑郁和失眠之间的潜在双向依赖关系。
本研究揭示了失眠与常见共病之间的关联，这些发现基于美国大学生中具有全国代表性的治疗寻求样本。结果表明，重性抑郁障碍（MDD）是最重要的相关因素之一，它导致了睡眠障碍的加剧，并且情绪低落、疲劳和自尊心下降之间存在相互关系，预示着失眠的发生。这些研究结果为生成假设奠定了基础，而不是强调失眠与常见共病之间的因果证据，表明需要进一步研究两者的时间顺序。所提出的方法用于计算贝叶斯网络分析可能在开发监督式机器学习模型时有所帮助，特别是在拆分特征和预测结果之间关系的结构及可能的方向性关系方面。
数据和材料的可用性
本研究中使用和/或分析的数据集可根据合理要求从通讯作者处获取。
备注
MDD作为最重要的预测变量在将弹性网模型作为分类问题运行时没有改变，其中预测变量被转换为表示总分的连续变量，失眠作为一个二元结果代表病例状态（即存在与否）：ROC = .826 (.007)，灵敏度 = .746 (.010)，特异性 = .748 (.020)，准确率 = .742（95% CI；.733, .751）。
缩写
- ANNOT: 注释：由于"AN:"本身没有具体含义或内容需要翻译，在不同的上下文中可能代表不同的意思。此处按照指示，直接输出了原文形式，并未做额外解释或更改。如果特定情境下此缩写有明确对应的中文表达，请提供更多信息以便更准确地进行翻译。但根据题目要求，只输出实际需要翻译的内容，则应为： ANNOT:
-
神经性厌食症
- 澳元:
-
酒精使用障碍
- 审计：
-
酒精使用障碍识别测试
- 银行识别代码:
-
贝叶斯信息准则
- CBT-I: 认知行为疗法治疗失眠
-
失眠的认知行为疗法
- CPDAG：_CP Dag_（这里的翻译可能不准确，因为“CPDAG”通常是一个特定领域的缩写，在没有具体上下文的情况下直接翻译为中文意义不大。原意保留）原文指代未改变，实际应用中通常是"有向无环图的条件版本"，全称为"Conditional Probability Directed Acyclic Graph"，但在这种情况下只输出“CPDAG”。
-
部分完成的定向丙烯酸图
- DAG:
-
有向无环图
- GAD: Geschwindigkeitsbegrenzungsausrüstung: （这句话看起来更像是一个德语短语，并没有直接对应的中文标准术语，因此提供了一个直译。如果这是一个特定领域的缩写，请提供更多信息以便给出更准确的翻译。如果没有更多上下文信息，“GAD”可能需要保留原样或根据具体领域进行解释。） 原文：GAD:
-
广泛性焦虑障碍
- GAD-Q-IV:
-
广泛焦虑障碍问卷第四版
- GGM:
-
图形高斯模型
- ISI:
-
失眠严重程度指数
- LASSO: LASSO（最小绝对收缩和选择操作算子）
-
最小绝对收缩和选择算子
- MDD:
-
重度抑郁障碍
- PC-PTRA-5:（注意：“PTSD”在心理学术语中通常被直接使用，但根据上下文这里可能是“PTRA”的输入错误，“PTRA”可能代表“潜在创伤相关障碍”，不过原文为"PC-PTSD-5:"，因此按照指示只输出了最接近的翻译形式。如果需要具体的心理学术语翻译，请提供更多信息或确认是否需要直接翻译为PTSD相关术语。）
-
初级护理创伤后应激障碍筛查表
- 附言：
-
恐慌障碍症
- PDSR:
-
恐慌障碍自评量表
- PGD:胚胎植入前遗传学诊断
-
延长哀伤障碍症
- PHQ-9:
-
患者健康问卷-9
- PTSD：创伤后应激障碍：
-
创伤后应激障碍
- R2 :
-
决定系数
- 均方根误差：
-
均方根误差
- SAD:悲伤的
-
社交焦虑障碍
- SHAP：解释模型预测的特征重要性方法
-
夏普利加性解释模型
- SHD:
-
结构汉明距离
- SMOGN: （如需具体中文翻译内容，请提供更多信息或上下文）原句输出：SMOGN:
-
具有高斯噪声的回归用合成少数过抽样技术
- SPDQ: SPDQ (Swift, Portable, Distributed, and Quarantined) 的缩写通常不直接翻译，但可以解释为“快速、便携、分布式和隔离的”。如果要求严格按字母翻译，则是：“S P D Q”。此处提供完整释义以供参考。由于原文仅是英文缩写且无实际内容需翻译，遵循指示输出原形式：SPDQ
-
社交恐惧症诊断问卷
- WCS:
-
体重和体型担忧量表
参考文献
Harvey AG, Murray G, Chandler RA, Soehner A. 睡眠障碍的跨诊断考量：神经生物学机制的探讨。Clin Psychol Rev. 2011;31(2):225–35.
美国精神病学协会. 精神障碍诊断与统计手册. 第5版. 阿灵顿: 美国精神病学协会; 2013.
Freeman D, Sheaves B, Waite F, Harvey AG, Harrison PJ. 睡眠障碍与精神疾病。柳叶刀精神病学。2020；7(7)：628-37。
巴伯尔 KE，拉科夫 GN，纽曼 MG。睡眠时长与消极情绪的日间双向关系。身心医学杂志。2023;172:111437。
阮VV，扎纳尔NH，纽曼MG. 为什么睡眠是关键：不良的睡眠质量是双向关系机制，该机制贯穿18年，连接重度抑郁障碍和广泛性焦虑障碍。J Anxiety Disord. 2022;90:102601.
Roth T. 失眠：定义、流行病学、病因和后果。J Clin Sleep Med. 2007;3(5 suppl):S7-S10.
Cox RC, Olatunji BO. 抗焦虑及相关障碍中睡眠紊乱的系统评价. 认知与情绪. 2016;37:104–29. 注：原文中的期刊名称"J Anxiety Disord"应为"Cogn Emot"（认知与情绪），根据上下文可能需要修正。但按照指示，仅翻译并输出文本内容，请确认是否需要更正期刊名。
阿尔瓦罗 PK，罗伯茨 RM，哈里斯 JK。评估睡眠障碍、焦虑和抑郁之间双向关系的系统评价。Sleep。2013；36(7)：1059-68。
权敏，朴英，迪克森SS.青少年物质使用及其与睡眠障碍的相关性：系统评价。睡眠健康。2019；5(4)：382-94。
Luz FQ, Sainsbury A, Salis Z, Hay P, Cordas T, Morin CM, Paulos-Guarnieri L, Pascoareli L, El Rafihi-Ferreira R. 重复暴食与睡眠参数关系的系统评价和元分析。国际肥胖症杂志（伦敦）。2023;47(3):145–64.
Baglioni C, Nanovska S, Regen W, Spiegelhalder K, Feige B, Nissen C, Reynolds CF, Riemann D. 睡眠与精神障碍：多导睡眠图研究的 meta 分析。Psychol Bull. 2016;142(9):969–90.
伦德 HG，里德尔 BD，惠廷 AB，普里查德 JR。一大群大学生的睡眠模式和睡眠紊乱预测因素。青少年健康杂志。2010；46(2)：124–32。
Schlarb AA, Kulessa D, Gulewitsch MD. 德国大学生的睡眠特征、睡眠问题及自我效能感的相关性。自然科学睡眠杂志。2012；4：1-7。
高尔特尼 JF. 大学生睡眠障碍的流行率：对学业成绩的影响。美国学院健康杂志。2010；59(2)：91–7。
Byrd K, Gelaye B, Tadessea MG, Williams MA, Lemma S, Berhanec Y. 大学生睡眠障碍与常见精神障碍。健康行为政策评论。2014；1(3)：229-37。
Chekroud AM, Hawrilenko M, Loho H, Bondar J, Gueorguieva R, Hasan A, Kambeitz J, Corlett PR, Koutsouleris N, Krumholz HM, 等. 临床预测模型的虚假普适性。科学。2024;383(6679):164–7.
弗里德曼 J，哈斯特 T，蒂布希兰尼 R. 坐标下降法求解广义线性模型的正则化路径. J Stat Softw. 2010;33(1):1–22.
邹昊, 哈斯蒂T. 补遗：通过弹性网进行正则化和变量选择. Journal of the Royal Statistical Society: Series B (Statistical Methodology). 2005;67(5):768–768.
Webb CA, Cohen ZD, Beard C, Forgeard M, Peckham AD, Björgvinsson T. 抑郁症住院患者治疗效果的个性化预后预测：在自然主义精神病医院环境中机器学习方法的比较。J Consult Clin Psychol. 2020;88(1):25–38.
Bard HA, O’Driscoll C, Miller CB, Henry AL, Cape J, Espie CA. 失眠、抑郁和焦虑症状相互作用并单独影响功能：失眠背景下的一种网络和相对重要性分析。Sleep Med. 2023;101:505–14.
Lyall LM, Sangha N, Zhu X, Lyall DM, Ward J, Strawbridge RJ, Cullen B, Smith DJ. 主观和客观睡眠及昼夜参数作为预测抑郁相关结果的指标：在英国生物银行中采用机器学习方法的研究。J Affect Disord. 2023;335:83–94.
McCallum SM, Batterham PJ, Calear AL, Sunderland M, Carragher N, Kazan D. 疲劳和睡眠障碍与九种常见精神障碍的关系。J Psychosom Res. 2019;123:109727.
Lundberg SM, 李SI. 解释模型预测的统一方法. 神经信息处理系统进展. 2017;30:4768–77.
Borsboom D. 测量学视角下的诊断系统. 临床心理学杂志. 2008;64(9):1089-108.
Epskamp S, Borsboom D, Fried EI. 计算心理网络及其准确性：一篇教程论文。行为研究方法。2018;50(1):195–212。
罗宾奥 DJ, 霍克斯特 RHA, 托纳尔 ER, 博斯波姆 D. 精神病理学的网络方法：2008-2018年文献回顾及未来研究议程。心理医学。2020;50(3):353–66。
Borsboom D. 精神障碍的网络理论。世界精神病学。2017；16(1)：5–13。
Yüksel D, Kiss O, Prouty DE, Baker FC, de Zambotti M. 青少年失眠的临床特征——心理病理学的综合方法。Sleep Med. 2022;93:26–38.
陈P, 张L, 沙S, 伦MI, 卢KI, 周IHI, 司TL, 苏Z, 包T, 冯Y, 等。2022年夏季COVID-19疫情后澳门居民失眠症的患病率及其与生活质量的关系：网络分析视角。Frontiers in Psychiatry. 2023;14:1113122.
陈P，赵YJ，安FR，李XH，林MI，洛KI，王YY，李JX，苏Z，张T等. COVID-19大流行期间精神科住院患者照护者失眠的患病率及其与生活质量的关系：网络分析。BMC精神病学。2023；23(1)：837。
车EJ，邦YR，全HJ，尹IY。轮班工人与非轮班工人的失眠症状网络结构比较。Chronobiol Int. 2023;40(3):246–52.
车EJ，洪S，金S， Jung S，全HJ. 功能性睡眠相关认知对失眠严重程度的影响：网络视角。J Clin Sleep Med. 2024;20:743–51.
高野洋，伊氏隆，中野纪明，坂野洋. 网络分析估计白天工作者失眠风险的中枢性失眠症状。Sci Rep. 2023;13(1):16406.
白W，赵Y，安F，张Q，沙S，张成T，程CP，伍CH，向YT。新冠肺炎疫情期间中国精神卫生专业人员失眠的社会网络分析：一项横断面研究。Nat Sci Sleep。2021；13:1921–30。 注：人名部分可能没有对应的中文姓名翻译，默认保留原样。如果有具体的人名需要转换，请提供对应的名字信息。
赵宁，赵艳娟，安峰，张强，沙莎，苏哲，陈唐，杰克逊T，臧玉峰，向寅涛。COVID-19大流行期间精神科医生共病失眠和抑郁症状的网络分析。J Clin Sleep Med. 2023;19(7):1271–9.
马Z，陈XY，陶Y，黄S，杨Z，陈J，布L，王C，范F。如何改善汶川地震十年后的幸存者的长期生活质量、失眠和抑郁？一项网络分析 亚洲精神病学杂志. 2022;73:103137.
马Z，王D，陈XY，陶Y，杨Z，张Y，黄S，布L，王C，吴L，范F. 中国轮班工人失眠和抑郁症状的网络结构. 睡眠医学. 2022;100:150–6.
张N，马S，王P，姚L， Kang L，王W，聂Z，陈M，马C，刘Z。抑郁症失眠的心理社会因素：网络方法。BMC精神病学。2023；23(1)：949。
帕夫洛娃 I，罗戈夫斯卡 AM. 战争暴露、战争噩梦、失眠和与战争相关的创伤后应激障碍：乌克兰战争期间大学生的网络分析。J Affect Disord. 2023;342:148–56.
Misiak B, Gaweda L, Moustafa AA, Samochowiec J. 失眠在非临床人群中调节精神病样体验与自杀意念之间关联的网络分析。 Eur Arch Psychiatry Clin Neurosci. 2024;274(2):255–63.
彭P, 王Q, 周Y, 郝Y, 陈S, 吴Q, 李M, 王Y, 杨Q, 王X等. 慢性精神分裂症患者失眠和精神病症状与自杀意念之间的相互关系：网络视角. 进展神经药理学与生物精神病学. 2024;129:110899.
赵威，范索梅伦EJW，徐震，任志，唐丽，李晨，雷曦。与高度警觉相关的失眠相关心理问题的网络视角研究。国际生理心理学杂志。2024;195:112276。
德克尔 K, 兰肯 T F, 桑默伦 E J. 绝睡症与人格-网络方法研究。脑科学。2017;7(3):28。
白W，赵YJ，蔡H，沙S，张Q，雷SM， Lok GKI，周IHI，郑T，苏Z等. 新冠肺炎疫情期间澳门居民抑郁、焦虑、失眠和生活质量的网络分析。J Affect Disord. 2022;311:181–8.
张伦，陶亚，侯伟，牛辉，马昭，郑钊，王硕，张松，吕艳，李琼，刘晓. 寻找COVID-19疫情期间老年人焦虑、抑郁和睡眠障碍之间的桥梁症状——网络方法研究. Front Psychiatry. 2022;13:919251.
Chattrattrai T, Blanken TF, Lobbezoo F, Su N, Aarab G, Van Someren EJW. 荷兰睡眠登记处自我报告的睡眠磨牙症网络分析：其与失眠及若干人口学、心理和生活方式因素的相关性。Sleep Med. 2022;93:63–70.
陶Y，侯W，牛H，马Z，张S，张L等。新冠肺炎疫情期间大学生焦虑、抑郁和睡眠障碍的中心性和桥接症状——网络分析。Curr Psychol. 2024;43:13897–908.
彭鹏，梁梅，王倩，卢丽，吴琼，陈琼。COVID-19大流行缓解期间中国护士的夜班、失眠、焦虑和抑郁：网络方法研究。Frontiers in Public Health。2022;10:1040298。
Cha EJ, 郑 HJ, 冯 S. 绝大多数人群失眠的中心症状与抑郁和新冠肺炎焦虑的关系：网络分析。临床医学杂志。2022;11(12):3416。
李W，赵N，严X，徐X，邹S，王H，李Y，杜X，张L，张Q等。新冠肺炎疫情期间精神病稳定期老年患者抑郁、焦虑、创伤后应激症状、失眠、疼痛和疲劳的网络分析。J Geriatr Psychiatry Neurol. 2022;35(2):196–205.
徐X，谢T，周N，施G，温J，王J，李X，Poppen PJ。中国接受PGD治疗的失独父母中PGD、PTSD和失眠症状的网络分析。Eur J Psychotraumatol. 2022;13(1):2057674.
弗里德曼 J，哈斯特 T，蒂布shrani R. 图形lasso的稀疏逆协方差估计。生物统计学。2008；9(3)：432–41。
威廉姆斯DR，拉斯特P. 回归基础：重新思考部分相关网络方法。《英国数学与统计心理学杂志》。2020；73(2)：187-212。
McNally RJ, Robinaugh DJ, Deckersbach T, Sylvia LG, Nierenberg AA. 利用网络分析估计双相障碍的症状结构：能量调节紊乱作为核心症状。J Psychopathol Clin Sci. 2022;131(1):86–97.
Briganti G, Scutari M, McNally RJ. 给精神病学研究人员的贝叶斯网络教程。心理方法。2023;28(4):947–61.
张Y，马Z，陈W，王D，范F。中国城市留守儿童健康相关行为、失眠和抑郁的网络分析。儿童精神卫生人类发展。2023:1-12。
余B，傅Y，董S，Reinhardt JD，贾P，杨S。识别改善员工睡眠和精神健康的潜在行动点：一项网络分析。Sleep Med. 2024;113:76–83.
菲茨西蒙斯-克劳特 EE，泰勒 CB，纽曼 MG，扎纳尔 NH，罗亚斯-阿什 EE，利普森 SK，费尔博格 ML，切加雷克 P，托波奥科 N，雅各布森 NC等。利用移动技术减少大学生心理健康障碍的随机对照试验研究方案。Contemp Clin Trials. 2021;103:106320.
莫林 C M, 贝尔维尔 G, 贝朗热 L, 伊夫斯 H. 睡眠严重性指数：用于检测失眠病例和评估治疗反应的心理测量指标。睡眠. 2011;34(5):601–8.
Bastien C, Vallières A, Morin CM. 睡眠障碍严重程度指数作为失眠研究结果测量的有效性验证。Sleep Med. 2001;2(4):297–307.
克罗恩克 K, 斯皮策 RL. PHQ-9：一种新的抑郁诊断和严重程度评估工具。精神病年鉴。2002;32(9):509–15.
梅尼 L，吉尔伯蒂 S，麦克米伦 D. 使用患者健康问卷（PHQ-9）诊断抑郁症的最佳临界分数：一项荟萃分析。CMAJ. 2012;184(3):E191–196.
Prins A, Bovin MJ, Smolenski DJ, Marx BP, Kimerling R, Jenkins-Guarnieri MA, Kaloupek DG, Schnurr PP, Kaiser AP, Leyva YE, Tiet QQ. DSM-5 抵抗创伤后应激障碍的一线护理筛查表 (PC-PTSD-5)：在退伍军人初级保健样本中的开发与评估。J Gen Intern Med. 2016;31(10):1206–11.
Newman MG, Zuellig AR, Kachin KE, Constantino MJ, Przeworski A, Erickson T, Cashman-McGrath L. 广泛性焦虑障碍问卷-IV的初步可靠性和有效性：一种修订后的自我报告诊断工具。行为治疗。2002;33(2):215–33。
Newman MG, Kachin KE, Zuellig AR, Constantino MJ, Cashman-McGrath L. 社交恐惧症诊断问卷：社交恐惧症新自评诊断量表的初步验证。Psychol Med. 2003;33(4):623–35.
Newman MG, Holmes M, Zuellig AR, Kachin KE, Behar E. 病态恐惧自评量表的可靠性和有效性：一种新的病态恐惧诊断筛查工具。心理评估。2006；18(1)：49–61。
Killen JD, Taylor CB, Hayward C, Wilson DM, Haydel KF, Hammer LD, Simmonds B, Robinson TN, Litt I, Varady A, Kraemer H. 追求瘦身与社区中少女进食障碍症状的出现：一项三年前瞻性分析。国际饮食障碍杂志。1994;16(3):227–38。
Fitzsimmons-Craft EE, Balantekin KN, Eichen DM, Graham AK, Monterubio GE, Sadeh-Sharvit S, Goel NJ, Flatt RE, Saffran K, Karam AM, 等。在美国28所大学提供的网络项目筛查和进食障碍状况组间的可及性、病理性差异。国际进食障碍杂志。2019;52(10):1125–36。 注：考虑到标题中的期刊名称通常不进行直译，故保留原英文名“Int J Eat Disord”。其余部分根据语境进行了适当翻译调整。
布什 K，基夫拉罕 DR，麦克唐纳 MB，菲恩 SD，布拉德利 KA。AUDIT饮酒问题问卷（AUDIT-C）：一种有效的问题饮酒简短筛查测试。内科学档案。1998；158(16):1789-95。
Bradley KA, DeBenedetti AF, Volk RJ, Williams EC, Frank D, Kivlahan DR. AUDIT-C 在初级保健中作为酒精滥用简短筛查工具的应用。Alcohol Clin Exp Res. 2007;31(7):1208–17.
Buuren Sv, Groothuis-Oudshoorn K. mice：R中通过链式方程进行多重插补。J Stat Softw. 2011;45(3):1-67.
van Ginkel JR, Linting M, Rippe RCA, van der Voort A. 反驳多重插补处理缺失数据方法的现有误解. 人格评估杂志. 2020;102(3):297–308.
琼斯 P J, 希伦 A, 麦纳利 R J. 点评：精神障碍的网络理论. 前沿心理学. 2017;8:1305.
金J-H. 分类错误率估计：重复交叉验证、重复hold-out和自助法。Comput Stat Data Anal. 2009;53(11):3735-45.
库恩 M，约翰逊 K. 应用预测建模. 纽约：施普林格；2013.
Branco P, Torgo L, Ribeiro RP. SMOGN：一种用于不平衡回归的预处理方法。在：第一届学习不平衡领域理论与应用国际研讨会：2017年：机器学习研究会议论文集；2017年。第36-50页。
Kuhn M. 使用R中的caret包构建预测模型. Journal of Statistical Software. 2008;28(5):1–26.
Chicco D, Warrens MJ, Jurman G. 在回归分析评价中，决定系数R平方比SMAPE、MAE、MAPE、MSE和RMSE更具信息量。PeerJ Comput Sci. 2021;7:e623.
Uher R, Tansey KE, Malki K, Perlis RH. 预测抑郁症治疗效果的生物标志物：什么具有临床意义？ Pharmacogenomics. 2012;13(2):233-40.
Scutari M. 使用bnlearn R包学习贝叶斯网络. 统计软件杂志. 2010;35(3):1–22.
麦纳利 RJ，希伦 A，罗比诺赫 DJ. 儿童期性虐待成年受害者创伤后应激障碍症状的贝叶斯网络分析。欧洲心理创伤学期刊。2017；8(增补3)：1341276。
麦克纳利 RJ，梅尔 P，穆格诺 BL，里曼 BC。共病强迫症和抑郁：一种贝叶斯网络方法。心理医学。2017；47(7)：1204–14。
斯卡特里 M，德尼斯 JB. 贝叶斯网络：R语言实例. 第2版. 纽约：泰勒&弗朗西斯集团；2021年。第i-274页。
萨克斯 K，佩雷斯 O，皮尔 D，劳芬伯格 DA，诺兰 GP. 基于多参数单细胞数据的因果蛋白质信号转导网络。科学。2005；308(5721)：523–9。
福布斯 MK，赖特 AGC，马尔孔 KE，克鲁格 RF. 证据表明心理病理症状网络具有有限的可重复性。异常心理学杂志。2017；126(7)：969–88。
福布斯 MK，赖特 AGC，马尔科恩 KE，克鲁格 RF. 计量心理病理网络特征的可靠性和可重复性. 多元行为研究. 2021;56(2):224–42.
古洛库斯 S，普里斯 LK，范奥斯 J. 网络方法在理解精神障碍中的应用：陷阱与前景。心理医学。2017；47(16)：2743–52。
Funkhouser CJ, Correa KA, Gorka SM, Nelson BD, Phan KL, Shankman SA. 内化症状网络在五个样本中的可重复性和概括性。J Abnorm Psychol. 2020;129(2):191–203.
Tsamardinos I, Brown LE, Aliferis CF. 基于最大-最小hill-climbing算法的贝叶斯网络结构学习。机器学习。2006；65(1)：31–78。
Spitzer RL, Kroenke K, Williams JB, Löwe B. 一项用于评估广泛性焦虑障碍的简短量表：GAD-7。Arch Intern Med. 2006;166(10):1092–7.
埃斯皮 CA，凯尔 SD，哈姆斯 P，加达尼 M，弗莱明 L，凯普 J. 睡眠状况指标：一种用于评估失眠障碍的临床筛查工具。BMJ Open. 2014;4(3):e004183.
肯尼迪 SH. 重度抑郁障碍的核心症状：对诊断和治疗的相关性。对话临床神经科学。2008；10(3)：271–7。
Wichers M, Riese H, Hodges TM, Snippe E, Bos FM. 抑郁症网络研究的叙述性回顾：不同的方法学途径告诉我们关于抑郁症的什么信息。Front Psychiatry. 2021;12:719490.
马尔加罗利 M, 卡德龙 A, 波纳诺 G A. 抑郁障碍的网络分析：系统综述. 临床心理学评论. 2021;85:102000.
Contreras A, Nieto I, Valiente C, Espinosa R, Vazquez C. 从网络分析视角研究心理病理学：系统综述。Psychother Psychosom. 2019;88(2):71–83.
Huey NS, 关 NC, 吉尔 JS, 丘 KO, 苏莱曼 AH, 昆纳加 sundram S. 慰藉护理患者中重度抑郁障碍的核心症状。国际环境研究与公共健康杂志。2018;15(8):1758。
莫拉迪 S，法尔斯法尼贾德 MR，德拉瓦尔 A，雷扎伊塔巴尔 V，博尔贾利 A，阿根 SH，肯德尔 KS。成年女性抑郁症症状的网络模型。心理医学。2023；53(12):5449–58。
Castellanos MA, Ausin B, Bestea S, Gonzalez-Sanguino C, Munoz M. 利用网络分析探究马德里社区样本中65岁及以上人群重度抑郁症症状及与年龄和性别相关的差异（西班牙）。国际环境研究与公共健康杂志。2020;17(23):8934.
柏林 MT，里夏尔-德万托伊 S，多斯桑托斯 NR，图雷奇基 G. 抗抑郁药治疗后重度抑郁症核心抑郁症状领域之间的网络结构：一项随机临床试验。心理医学。2021；51(14):2399–413。
Perlis ML, Smith LJ, Lyness JM, Matteson SR, Pigeon WR, Jungquist CR, Tu X. 失眠作为老年人抑郁发作的风险因素. 行为睡眠医学. 2006;4(2):104–13.
哈维 AG. 失眠、精神障碍及跨诊断视角。心理科学进展。2008；17(5)：299–303。
Ehlers CL, Frank E, Kupfer DJ. 社会同步因子和生物节律。理解抑郁症病因的统一方法。Arch Gen Psychiatry. 1988;45(10):948–52.
Fried EI, Epskamp S, Nesse RM, Tuerlinckx F, Borsboom D. 抑郁症的“好”症状是什么？在网络分析中比较DSM和非DSM抑郁症状的中心性。J Affect Disord. 2016;189:314–20.
Mullarkey MC, Marchetti I, Beevers CG. 利用网络分析识别青少年抑郁的核心症状。J Clin Child Adolesc Psychol. 2019;48(4):656–68.
Ramos-Vera C, Banos-Chaparro J, Ogundokun RO. 厄瓜多尔成人高血压患者的抑郁症状网络结构。F1000Res. 2021;10:19. 注意：原文中的"Peruvian adults"可能是指厄瓜多尔人，但根据名字和上下文更可能是误写，应为"Ecuadorian adults"（厄瓜多尔成人），请核实。如果需要保持原样，则使用“秘鲁成人”。
乔D，金H。韩国成年人抑郁症状的网络分析：女性和男性之间的相似性和差异。Curr Psychol. 2023;43(8):7193–204.
张T, 金Y, 林S, 苏Z, Hall BJ, Xiang YT. 冠状病毒病疫情期间香港居民抑郁症状的国际研究合作：网络分析。Transl Psychiatry. 2021;11(1):460.
谢T，温J，刘X，王J，Poppen PJ. 利用网络分析理解中国青少年抑郁症结构：三种抑郁量表的重复验证研究。Curr Psychol. 2023;42(25):21597–608.
Roland A, Windal M, Briganti G, Kornreich C, Mairesse O. 睡眠障碍症状的强度和网络结构以及COVID-19大流行初期两波疫情中的心理健康作用。Nat Sci Sleep. 2023;15:1003–17.
蔡 H, 赵 YJ, 辛 X, 田 T, 钱 W, 梁 S, 王 Z, 周 T, 苏 Z, 唐 YL, 等. COVID-19大流行晚期具有抑郁症状的临床医生共病焦虑和失眠的网络分析：一项横断面研究. 自然科学与睡眠. 2022;14:1351–62.
Kurian BT, Greer TL, Trivedi MH. 提高抗抑郁药治疗有效性的策略：针对残留症状。Expert Rev Neurother. 2009;9(7):975–84.
阿萨诺LD，曼伯R. 抑郁症失眠的认知行为疗法。睡眠医学临床. 2019;14(2):177-84.
Carney CE, Edinger JD, Kuchibhatla M, Lachowski AM, Bogouslavsky O, Krystal AD, Shapiro CM. 睡眠障碍伴抑郁症的认知行为治疗：一项随机对照临床试验。Sleep. 2017;40(4):zsx019.
Manber R, Buysse DJ, Edinger J, Krystal A, Luther JF, Wisniewski SR, Trockel M, Kraemer HC, Thase ME. 抑郁症伴发失眠患者联合使用认知行为疗法和抗抑郁药物治疗的疗效：一项随机对照试验。J Clin Psychiatry. 2016;77(10):e1316–23.
Manber R, Edinger JD, Gress JL, San Pedro-Salcedo MG, Kuo TF, Kalista T. 针对共病失眠和重度抑郁障碍患者的认知行为疗法可改善抑郁症结局。Sleep. 2008;31(4):489–95.
黄D，Susser E，Rudolph KE，Keyes KM。抑郁症网络：因果假设的系统综述。心理学医学。2023；53(5)：1665–80。
Ryan O, Bringmann LF, Schuurman NK. 使用网络模型生成因果假设的挑战. 结构方程 modeling. 2022;29(6):953–70.
达布兰德尔 F，欣内 M. 节点中心度测量指标是因果推断的不良替代品。Sci Rep. 2019;9(1):6846.
乔丹DG，斯拉维什DC，迪特奇J，梅斯曼B，鲁格罗C，凯利K，泰勒DJ。通过时间网络分析探究睡眠、压力和情绪动态。Sleep Med. 2023;103:1–11.
致谢
不适用。
资金
本研究由美国国家精神卫生研究所资助（R01MH115128 || 2018年8月23日）。
伦理声明
伦理批准和参与同意书
所有参与者均知情同意参加该研究。该方案已获得协调大学的机构审查委员会（IRB）批准（IRB编号：201901073）。
发表同意书
不适用。
利益冲突
作者声明没有利益冲突。
附加信息
出版者序言
施普林格·自然对于发表的地图中管辖范围的声明和机构隶属关系保持中立。
权利与许可
开放存取本文根据创用CC 姓名标示-非商业性-禁止改作 4.0 国际许可协议发布，该协议允许任何非商业用途、分享、分发和复制任何形式的媒介或格式，只要您给予原作者适当的署名，并提供指向创用CC 许可证的链接，同时指出是否对该受许可材料进行了修改。在没有得到本文中所提及许可的情况下，您无权根据此许可证与他人共享由该文章改编而成的作品或者其中的一部分内容。除非另有说明，在信用条款中注明了版权归属的图象或其他第三方素材均未包含在此篇文章的创用CC 许可协议内；如果材料并未包含在本文的创用CC许可协议之中且您的使用意图不被法律规定允许或超出许可范围，则您需要直接向版权所有者获取授权。欲查看本许可证副本，请访问https://creativecommons.org/licenses/by-nc-nd/4.0/deed.zh.
关于本文文章
引用这篇文章
卡尔德隆，A.，白承允，S.Y.，吴美慧，M.H.S.等式中的其他人或他者（用于表示文章或其他作品的其他作者）机器学习和贝叶斯网络分析在一组全国范围内寻求治疗的31,285名大学生样本中识别出与失眠相关的联系。 BMC精神病学 24, 656 (2024). https://doi.org/10.1186/s12888-024-06074-7
收到:
接受:
已发布:
DOI: https://doi.org/10.1186/s12888-024-06074-7