在评估多维度睡眠健康及其对死亡率的影响方面，科学界一直缺乏统一的评估标准。传统的评估方法往往侧重于单一的睡眠指标，而忽略了睡眠是一个多维度、复杂的过程。因此，开发一个经过验证的多维度睡眠健康评分，对于实施有效的健康干预措施至关重要。
浙江大学公共卫生学院健康科学大数据系李文渊研究员团队、浙江省第二附属医院临床大数据与分析中心联合开展了一项重要研究，相关成果近期发表于国际知名期刊《European Journal of Internal Medicine》。该研究旨在整合来自SHHS的问卷调查和基于多导睡眠图（PSG）的睡眠微结构数据，通过机器学习算法筛选出与全因死亡率最相关的睡眠特征，开发并验证一种新的多维度睡眠健康评分系统，以更好地预测中老年人死亡率。
研究基于SHHS（睡眠呼吸障碍心血管健康研究），研究团队从睡眠心脏健康研究中选取了5706名参与者，其中包括2715 名男性和2991 名女性。通过多种并行方法收集并确认了10年随访期内全因死亡结局的数据，纳入了变量选择过程中所有可用的与睡眠相关的变量，包括多导睡眠图（PSG）变量和自我报告的睡眠特征。SHHS中的参与者在家使用11通道便携式监测仪进行多导睡眠图监测，填写相关睡眠问卷。首先，团队采用随机森林-递归特征消除（RF-RFE）算法来选择潜在的预测变量；其次，基于Cox 比例风险模型的回归系数开发了一个睡眠综合评分，以评估所选睡眠相关变量与死亡率之间的关联；最后，通过构建Cox 比例风险模型来验证该评分，评估其与死亡率的相关性。研究团队纳入了六个睡眠变量，包括平均血氧饱和度（%）、C3和C4位点的纺锤波密度、睡眠效率（%）、快速纺锤波百分比以及快速眼动（REM）睡眠百分比，用于构建多维度睡眠健康评分。
表1显示了六个睡眠变量的每个水平的详细风险比和个人睡眠评分。研究结果显示，参与者的平均睡眠综合评分为22分中的6.8分（分数越低越好）。睡眠综合评分每增加1分，死亡风险就会增加10%（HR =1.10，95% CI：1.08-1.12），且风险随评分升高呈线性递增（限制性立方样条检验P<0.001）。这一结果表明，新构建的多维度睡眠健康评分与全因死亡率之间存在显著的正相关关系。此外，研究还发现，通过射频递归特征消除（RF-RFE）方法，研究团队发现平均血氧饱和度、C3 期纺锤波密度、睡眠效率、C4 期纺锤波密度、快速纺锤波百分比以及快速眼动睡眠（REM）百分比是中老年人全因死亡率的六个最重要睡眠特征。其中，研究确定平均血氧饱和度是死亡风险的最重要贡献者（<90%时死亡风险增加123%）。快速纺锤波的百分比和纺锤波密度等睡眠特征与死亡风险密切相关，这进一步支持了多维度睡眠评估在预测死亡风险中的重要性。
本研究聚焦于死亡风险的预测，在中老年人群中利用六个与睡眠相关的变量构建并验证了一个多维度睡眠健康综合评分。研究结果表明，睡眠综合评分与全因死亡率之间存在显著相关性。
