DOI: https://doi.org/10.33137/utjph.v7i2.46969
تاريخ النشر: 2026-02-25
المؤلف: Mark Asuncion وآخرون
الموضوع الرئيسي: النوم والاضطرابات المرتبطة به
نظرة عامة
يتناول هذا القسم من ورقة البحث تطبيق التعلم المعزز (RL) لتحسين فترات النوم من أجل تحسين أعراض الاكتئاب، كما يتضح من التغيرات في درجات استبيان صحة المرضى-9 (PHQ-9). يرتبط الحرمان من النوم بزيادة أعراض الاكتئاب، وتهدف الدراسة إلى تخصيص تدخلات النوم باستخدام بيانات من حوالي 4,000 مشارك في المسح الوطني للصحة والتغذية (NHANES) من 2017 إلى 2020. الهدف طويل الأمد هو دمج عوامل فردية إضافية، مثل النشاط البدني، في التصاميم العلاجية المستقبلية.
استخدمت المنهجية نموذج التعلم العميق Q-Learning (DQN)، حيث تمثل الحالات شدة الاكتئاب، وكانت الإجراءات تتضمن تعديلات على مدة النوم، وكانت المكافآت تعتمد على التحسينات في شدة الاكتئاب. تم استخدام سياسة إبسيلون-جشع لتحقيق التوازن بين استكشاف فترات نوم جديدة واستغلال أفضل مدة معروفة. أشارت النتائج إلى أن التعديلات في مدة النوم أدت إلى تقليل كبير في شدة الاكتئاب، مع توصيات متسقة تتراوح بين 7-9 ساعات تتماشى مع النطاقات المثلى سريرياً. تسلط النتائج الضوء على إمكانيات تحسين النوم الموجه بالتعلم المعزز كنهج واعد لتعزيز الصحة النفسية لدى الأفراد، مع التأكيد على دور العلاجات السلوكية المدفوعة بالذكاء الاصطناعي في الرعاية الصحية المخصصة.
DOI: https://doi.org/10.33137/utjph.v7i2.46969
Publication Date: 2026-02-25
Author(s): Mark Asuncion et al.
Primary Topic: Sleep and related disorders
Overview
This section of the research paper discusses the application of Reinforcement Learning (RL) to optimize sleep durations for improving depressive symptoms, as indicated by changes in Patient Health Questionnaire-9 (PHQ-9) scores. Sleep deprivation is linked to increased depressive symptoms, and the study aims to personalize sleep interventions using data from approximately 4,000 participants in the National Health and Nutrition Examination Survey (NHANES) from 2017 to 2020. The long-term objective is to incorporate additional individual factors, such as physical activity, into future therapeutic designs.
The methodology employed a Deep Q-Learning (DQN) model, where states represented depression severity, actions involved adjustments to sleep duration, and rewards were based on improvements in depression severity. An epsilon-greedy policy was utilized to balance exploration of new sleep durations with exploitation of the best-known duration. The results indicated that adjustments in sleep duration led to significant reductions in depression severity, with consistent recommendations of 7-9 hours aligning with clinically optimal ranges. The findings highlight the potential of RL-guided sleep optimization as a promising approach for enhancing mental health in individuals, emphasizing the role of AI-driven behavioral treatments in personalized healthcare.