تهدف إلى إنشاء نموذج تنبؤي لفعالية العلاج بالوخز للأرق وبناء صورة ملف تعريفي للأشخاص المناسبين لخطة العلاج بالوخز، لمساعدة في تحسين الفعالية السريرية. طريقة: شملت بيانات 113 مريضًا يعانون من الأرق في التحليل، واستخدم الوخز بواسطة مجموعة من المناطق (بايه، HI3، نطاق (الجانبان)، شاو هاي (الجانبان))، بمعدل 30 دقيقة كل مرة، 3 مرات في الأسبوع، لمدة 2 أسبوع. تم استخدام معدل تقليل مؤشر جودة النوم بيتسبورج (PSQI) كمؤشر للفعالية السريرية الشاملة. بالاضافة إلى أننا استخدمنا تحليل الانحدار اللوجستي المتعدد العوامل والخوارزمية بوروتا لاختيار السمات، ومقارنة دقة التنبؤ بين 3 خوارزميات Boosting، واستخدام بحث الشبكة والتقييم المتقاطع بعشر ثنائي لتحسين المعلمة، واستخدام طريقة التقسيم العشوائي ذات الطبقات لاختيار أفضل طريقة تقسيم البيانات، والبحث عن أفضل قيمة انقطاع وفقًا لمؤشر يوليوس، وبناء النموذج وتقييم الأداء، وأخيرًا تم تحليل النموذج بواسطة SHAP للتفسير البصري. وشملت الميزات التي تم ادراجها في النموذج نسبة الفترة N1 من الفترة الكلية للنوم، نسبة الفترة N2 من الفترة الكلية للنوم، فترة الانتظار لل T من وقت اطفاء الانارة، فترة الانتظار لN2 من وقت اطفاء الانارة، فترة اليقظة بعد النوم، ونتيجة كفاءة النوم PSQI beta، واللسان القديم. وأظهرت أن الخوارزمية XGBoost هي الخوارزمية الأكثر دقة، وأن القيمة الاعتبارية الأفضل هي 0.76، مع دقة متوافقة بنسبة 0.91، ونسبه الاستحضار 0.91، ودرجة F1 0.91، ودقة 0.91، والمساحة تحت المنحنى AUC 0.82. للمرضى الذين يستجيبون بشكل أفضل لتوجيه وخز مجموعة الفحص الوسطي، بالاضافة إلى أن فئة المرضى الذين يستجيبون بشكل أفضل لتوجيه وخز مجموعة الفحص الوسطي، بالاضافة إلى أن الإطارات الخشبية وتوازن الرجاء لم يتم احتساب مقياس القديم في التقديرات السرير.الكلمات الساحرة لـ العرقة المهارات الجيرية الظاهرية

الأرق؛ الوخز؛ التعلم الآلي؛ النموذج التنبؤي؛ القرار المساعد