2025年8月，成都大学护理学院2023级硕士研究生王霞（第一作者）与导师高茹（通讯作者）在公共卫生领域国际学术期刊《Frontiers in Public Health》（SCI收录，中科院三区）发表题为“Development and validation of an explainable machine learning model for predicting the risk of sleep disorders in older adults with multimorbidity: across-sectional study”的学术论文。

近年来，随着人口老龄化进程加速，老年共病已成为全球公共卫生的严峻挑战，由此引发的睡眠障碍严重损害了老年人的身心健康与生活质量。传统的睡眠障碍预测模型多基于逻辑回归分析，受限于线性假设，难以捕捉变量间复杂的交互作用，导致预测效能不足。虽然机器学习技术能显著提升预测精度，但其“黑箱”特性使得临床医护人员难以理解预测背后的逻辑，限制了其在临床实践中的应用。如何构建既具备高精准度又具有临床可解释性的风险预测模型，是当前老年健康管理领域亟待解决的关键问题。

论文采用横断面研究设计，严格筛选纳入471名老年共病患者，运用逻辑回归（LR）、支持向量机（SVM）、梯度提升机（GBM）、轻量级梯度提升机（LightGBM）等六种机器学习算法构建预测模型。研究结果显示，GBM模型在预测效能上表现最优，其曲线下面积（AUC）达到0.881。为提升模型的临床实用性，研究创新性地引入SHAP（Shapley Additive Explanations）方法对模型进行可视化解读，明确了衰弱、认知状态、营养状况、独居、抑郁、吸烟及焦虑是影响睡眠障碍的前七位关键预测因子。该成果不仅填补了可解释性机器学习在这一特定人群睡眠障碍预测中的空白，更为临床医护人员早期识别高危人群、制定精准化的干预策略提供了直观、科学的高等级证据支持。