DOI: https://doi.org/10.1016/j.sleep.2026.108813
PMID: https://pubmed.ncbi.nlm.nih.gov/41628490
تاريخ النشر: 2026-01-31
المؤلف: Matteo Carpi وآخرون
الموضوع الرئيسي: النوم والاضطرابات المرتبطة به
نظرة عامة
يتناول القسم تطوير مصنف الأرق-LCA، وهو تطبيق ويب مفتوح المصدر مصمم لتعزيز الفهم وتطبيق أنماط الأرق التي تم تحديدها من خلال تحليل الفئات الكامنة (LCA). لقد دفعت تباينات تقديمات الأرق الباحثين للبحث عن أنواع موثوقة من الاضطراب، والتي أضاء عليها LCA من خلال الكشف عن الفروق في الأعراض الليلية، التأثير المدرك، والضيق النهاري. ومع ذلك، كانت الحلول السابقة لـ LCA غالبًا ما تقتصر على مجموعات بيانات محددة، مما يعيق إمكانية التطبيق الأوسع.
يعالج مصنف الأرق-LCA هذه القيود من خلال السماح للمستخدمين بإدخال ملفات استجابة مؤشر شدة الأرق (ISI) والحصول على تصنيفات إلى واحدة من أربعة أنواع فرعية معروفة: لا أرق (NI)، أرق تحت العتبة (SI)، خطر أرق مرتفع (HI)، وأعراض نهارية سائدة (DS). يستخدم التطبيق أولويات الفئات الأصلية واحتمالات الاستجابة الشرطية على مستوى العناصر لحساب احتمالات الفئات اللاحقة، مما يوفر مخرجات مثل احتمالات الفئات، التعيينات النمطية، والمقارنات المرئية للملفات الفردية مقابل أنماط متوسط الأنواع الفرعية. أظهرت عملية التحقق من صحة المصنف دقة استثنائية (0.999) وتوافق مع نموذج الفئات الكامنة، مما يدل على إمكانيته كأداة عملية للبحث السريري واختبار أنماط الأرق المستمدة من LCA.
مقدمة
تناقش مقدمة ورقة البحث انتشار وتعقيد الأرق، الذي يؤثر على حوالي 10% من البالغين ويؤثر بشكل كبير على الوظائف النهارية وجودة الحياة. يتميز الأرق بتباينه، مما يثير الحاجة إلى أنواع فرعية ذات معنى لتعزيز فهم مسبباته، تقييمه، وعلاجه. أثبتت طرق التصنيف التقليدية عدم موثوقيتها، مما أدى إلى اعتماد نهج موجه نحو الشخص ومبني على البيانات مثل تحليل الفئات الكامنة (LCA). تكشف هذه الطرق عن مجموعات فرعية تختلف ليس فقط في الأعراض الليلية ولكن أيضًا في الضيق النفسي المرتبط والضعف النهاري، مما يتماشى مع الآراء المعاصرة حول الأرق كاضطراب للإدراك الذاتي.
على الرغم من التقدم المفاهيمي الذي توفره الأنواع الفرعية المستمدة من LCA، إلا أن تطبيقها العملي كان محدودًا، حيث غالبًا ما تظل محصورة في مجموعات البيانات الأصلية. يمثل استبيان نوع الأرق (ITQ) استثناءً ملحوظًا، ومع ذلك فهو طويل ويصمم بشكل أساسي للأفراد الذين تم تشخيصهم. لمعالجة هذه القيود، طور المؤلفون مصنف الأرق-LCA، وهو تطبيق ويب مفتوح المصدر يقوم بتشغيل حلول LCA بناءً على استجابات مؤشر شدة الأرق (ISI). يتيح هذه الأداة تصنيف ملفات ISI الجديدة إلى أنواع فرعية معروفة، مما يسهل الاختبار التجريبي والتكرار في عينات مستقلة، مع السعي لجعل الأنواع الفرعية المستمدة من LCA أكثر سهولة وقابلية للتكرار في الإعدادات السريرية والبحثية.
طرق
يستند مصنف الأرق-LCA الذي تم تطويره في هذه الدراسة إلى تحليل الفئات الكامنة (LCA) الذي تم إجراؤه سابقًا على مؤشر شدة الأرق (ISI) بين 1234 طالبًا جامعيًا إيطاليًا. يُعتبر ISI أداة ذاتية التقرير مستخدمة على نطاق واسع، تقيم كل من الأعراض الليلية والنهارية للأرق خلال الأسبوعين الماضيين باستخدام مقياس شدة من خمس نقاط. حدد التحليل أربعة أنواع فرعية متميزة من الأرق: لا أرق (NI)، خطر أرق مرتفع (HI)، أرق تحت العتبة (SI)، وأعراض نهارية سائدة (DS)، كل منها يتميز بملفات أعراض فريدة وارتباطات نفسية. من الجدير بالذكر أن النوع HI أظهر أكبر ضعف، بينما أظهر النوع DS ضيقًا نفسيًا مرتفعًا، مما يشير إلى أن أساليب العلاج المخصصة قد تكون مفيدة.
تم تنفيذ LCA باستخدام حزمة poLCA في R، مع الالتزام بفرضية الاستقلال المحلي بين استجابات العناصر. يستخدم مصنف الأرق-LCA نهج بايز الساذج لتصنيف الملاحظات الجديدة بناءً على احتمالات لاحقة مشتقة من نموذج LCA الأصلي. على وجه التحديد، بالنسبة لنمط استجابة ISI المعطى \( x = (x_1, \ldots, x_7) \)، يتم حساب احتمال الانتماء إلى الفئة باستخدام قاعدة بايز، مع تضمين احتمالات الأولوية الخاصة بالفئة واحتمالات الاستجابة الشرطية على مستوى العناصر. يسمح تنفيذ المصنف في R، باستخدام حزمة shiny، بحساب احتمالات لاحقة بناءً على استجابات ISI المقدمة من المستخدم، مع تقييم الاتساق الداخلي من خلال تحليلات إعادة التصنيف وقياسه باستخدام معامل كابا لكوهين.
نتائج
يقدم قسم النتائج مصنف الأرق-LCA، وهو أداة مفتوحة المصدر مصممة لتصنيف أنواع الأرق بناءً على أنماط استجابة الأفراد من مؤشر شدة الأرق (ISI). الشيفرة الخاصة بالمصنف ومصفوفة الاحتمالات الشرطية متاحة للجمهور على GitHub، وتسمح واجهة الويب التفاعلية للمستخدمين بإدخال بيانات ISI إما من خلال قوائم منسدلة أو عن طريق تحميل ملفات CSV. تضمن هذه الواجهة خصوصية المستخدم من خلال معالجة البيانات بشكل عابر دون تخزين أو تسجيل. يحسب التطبيق احتمالات لاحقة لأربعة أنواع فرعية مشتقة من تحليل الفئات الكامنة (LCA): لا أرق (NI)، خطر أرق مرتفع (HI)، ضعف النوم (SI)، وضيق (DS)، مما يوفر مخرجات رسومية للملفات الفردية مقابل أنماط متوسط الأنواع الفرعية.
أظهرت تقييم أداء المصنف دقة استثنائية، مع دقة إجمالية تبلغ 0.999 وكابا لكوهين تبلغ 0.999، مما يدل على توافق قوي مع نموذج LCA الأصلي. صنف المصنف بفعالية الملفات الاصطناعية، حيث تم تعيين ملف الشكوى الدنيا إلى NI مع احتمال لاحق قدره 1.00، بينما تم تصنيف الشكاوى الشديدة على أنها HI. تم رسم الشكاوى الليلية الأخف بشكل أساسي إلى SI، وتم تصنيف الملفات التي تعاني من عدم الرضا الكبير على أنها DS. تؤكد النتائج قدرة المصنف على عكس التباينات الدقيقة في تقديمات الأرق، مما يبرز أهمية تحليل مستوى العناصر على درجات الشدة الإجمالية لفهم أكثر شمولاً لأنواع الأرق.
مناقشة
تؤكد المناقشة على الأهمية المتزايدة لتصنيف الأرق المدفوع بالبيانات والحاجة إلى حلول تصنيف تكون قوية إحصائيًا وقابلة للتطبيق عمليًا في بيئات البحث والعيادات المتنوعة. يمثل مصنف الأرق-LCA مثالًا على كيفية تشغيل تحليل الفئات الكامنة (LCA) خارج مجموعة البيانات الأصلية، على الرغم من أن اشتقاقه من مجموعة سكانية محددة (طلاب جامعيون إيطاليون) يحد من قابليته للتعميم. بينما تشير الاتفاقية العالية في إعادة تصنيف مجموعة البيانات الأصلية إلى إمكانية إعادة إنتاج حسابية، إلا أنها لا تؤكد الصلاحية الخارجية، مما يبرز ضرورة التحقق في مجموعات سكانية مستقلة ذات خصائص ديموغرافية وسريرية متنوعة.
يسمح تصميم المصنف للباحثين باستكشاف قابلية تعميم أنواع الأرق عبر ثقافات ومجموعات عمرية مختلفة، مما يسهل فحص كيفية تغير انتشار الأنواع الفرعية وتكوين الأعراض تحت ظروف متنوعة. يعزز استخدام الأداة لتصنيف قائم على الاحتمالات اللاحقة من قابلية التفسير من خلال قياس عدم اليقين وتسليط الضوء على الملفات الغامضة، وهو ما يتم تجاهله غالبًا في الدراسات السريرية. على الرغم من أن التنفيذ الحالي لا يتضمن متغيرات على مستوى الفرد، إلا أنه متوافق هيكليًا مع النماذج التي تفعل، مما يمهد الطريق للتكيفات المستقبلية التي قد تعزز أداء النموذج عبر مجموعات سكانية غير متجانسة. بشكل عام، يوضح مصنف الأرق-LCA كيف يمكن أن تعزز ممارسات العلوم المفتوحة من إمكانية الوصول وقابلية التوسع لتصنيف الأرق المدفوع بالبيانات، مما يشجع على مزيد من التحقق ودمج نماذج التصنيف التجريبية في البحث السريري.
DOI: https://doi.org/10.1016/j.sleep.2026.108813
PMID: https://pubmed.ncbi.nlm.nih.gov/41628490
Publication Date: 2026-01-31
Author(s): Matteo Carpi et al.
Primary Topic: Sleep and related disorders
Overview
The section discusses the development of the insomnia-LCA classifier, an open-source web application designed to enhance the understanding and application of insomnia phenotypes identified through latent class analysis (LCA). The heterogeneity of insomnia presentations has prompted researchers to seek reliable disorder subtypes, which LCA has illuminated by revealing differences in nocturnal symptoms, perceived impact, and daytime distress. However, previous LCA solutions were often limited to specific datasets, hindering broader applicability.
The insomnia-LCA classifier addresses this limitation by allowing users to input Insomnia Severity Index (ISI) response profiles and receive classifications into one of four established subtypes: no insomnia (NI), subthreshold insomnia (SI), high insomnia risk (HI), and predominant daytime symptoms (DS). The application utilizes the original model’s class priors and item-level conditional response probabilities to compute posterior class probabilities, providing outputs such as class probabilities, modal assignments, and visual comparisons of individual profiles against subtype mean patterns. Validation of the classifier demonstrated exceptional accuracy (0.999) and agreement with the latent class model, indicating its potential as a practical tool for clinical research and the testing of LCA-derived insomnia phenotypes.
Introduction
The introduction of the research paper discusses the prevalence and complexity of insomnia, which affects approximately 10% of adults and significantly impairs daytime functioning and quality of life. Insomnia is characterized by its heterogeneity, prompting the need for meaningful subtypes to enhance understanding of its etiology, assessment, and treatment. Traditional subtyping methods have proven unreliable, leading to the adoption of person-centered, data-driven approaches such as latent class analysis (LCA). These methods reveal subgroups that vary not only in nocturnal symptoms but also in associated psychological distress and daytime impairment, aligning with contemporary views of insomnia as a disorder of subjective perception.
Despite the conceptual advancements provided by LCA-derived subtypes, their practical application has been limited, as they often remain confined to the original datasets. The insomnia type questionnaire (ITQ) represents a notable exception, yet it is lengthy and primarily designed for diagnosed individuals. To address these limitations, the authors developed the insomnia-LCA classifier, an open-source web application that operationalizes LCA solutions based on Insomnia Severity Index (ISI) responses. This tool enables the classification of new ISI profiles into established subtypes, facilitating empirical testing and replication in independent samples, while aiming to make LCA-derived subtypes more accessible and reproducible in clinical and research settings.
Methods
The insomnia-LCA classifier developed in this study is grounded in a latent class analysis (LCA) previously conducted on the Insomnia Severity Index (ISI) among 1234 Italian university students. The ISI, a widely utilized self-report tool, evaluates both nocturnal and daytime symptoms of insomnia over the past two weeks using a five-point severity scale. The analysis identified four distinct insomnia subtypes: no insomnia (NI), high insomnia risk (HI), subthreshold insomnia (SI), and predominant daytime symptoms (DS), each characterized by unique symptom profiles and psychological correlates. Notably, the HI subtype exhibited the most significant impairment, while the DS subtype showed elevated psychological distress, suggesting tailored treatment approaches may be beneficial.
The LCA was executed using the poLCA package in R, adhering to the assumption of local independence among item responses. The insomnia-LCA classifier employs a naïve Bayes approach to classify new observations based on posterior probabilities derived from the original LCA model. Specifically, for a given ISI response pattern \( x = (x_1, \ldots, x_7) \), the posterior probability of class membership is computed using Bayes’ rule, incorporating class-specific prior probabilities and item-level conditional response probabilities. The classifier’s implementation in R, utilizing the shiny package, allows for the computation of posterior probabilities based on user-provided ISI responses, with internal consistency evaluated through reclassification analyses and quantified using Cohen’s kappa coefficient.
Results
The results section presents the insomnia-LCA classifier, an open-source tool designed for classifying insomnia subtypes based on individual response patterns from the Insomnia Severity Index (ISI). The classifier’s code and conditional probability matrix are publicly accessible on GitHub, and an interactive web interface allows users to input ISI data either through dropdown menus or by uploading CSV files. This interface ensures user privacy by processing data transiently without storage or logging. The application computes posterior probabilities for four latent class analysis (LCA)-derived subtypes: No Insomnia (NI), High Insomnia (HI), Sleep Impairment (SI), and Distress (DS), providing graphical outputs for individual profiles against mean subtype patterns.
Evaluation of the classifier’s performance demonstrated exceptional accuracy, with an overall accuracy of 0.999 and a Cohen’s kappa of 0.999, indicating a strong agreement with the original LCA model. The classifier effectively categorized synthetic profiles, assigning a minimal-complaint profile to NI with a posterior probability of 1.00, while severe complaints were classified as HI. Milder nocturnal complaints were predominantly mapped to SI, and profiles with significant dissatisfaction were classified as DS. The results underscore the classifier’s ability to reflect nuanced variations in insomnia presentations, emphasizing the importance of item-level analysis over total severity scores for a more comprehensive understanding of insomnia subtypes.
Discussion
The discussion emphasizes the growing importance of data-driven insomnia phenotyping and the need for classification solutions that are both statistically robust and practically applicable in diverse research and clinical settings. The insomnia-LCA classifier exemplifies how latent class analysis (LCA) can be operationalized beyond its original dataset, although its derivation from a specific population (Italian university students) limits its generalizability. While the high agreement in reclassifying the original dataset suggests computational reproducibility, it does not confirm external validity, underscoring the necessity for validation in independent populations with varying demographic and clinical characteristics.
The classifier’s design allows researchers to explore the generalizability of insomnia subtypes across different cultures and age groups, facilitating the examination of how subtype prevalence and symptom configurations may shift under diverse conditions. The tool’s use of posterior probability-based classification enhances interpretability by quantifying uncertainty and highlighting ambiguous profiles, which is often overlooked in clinical studies. Although the current implementation does not incorporate individual-level covariates, it is structurally compatible with models that do, paving the way for future adaptations that could enhance model performance across heterogeneous populations. Overall, the insomnia-LCA classifier illustrates how open science practices can enhance the accessibility and scalability of data-driven phenotyping, encouraging further validation and integration of empirical subtyping models into clinical research.