محققان پنج «پروفایل خواب» متمایز را شناسایی کردهاند. بر اساس تجزیه و تحلیل آنها، محققان به این نتیجه رسیدند که خواب خوب شبانه فراتر از صرفاً طول مدت خواب یا منقطع بودن آن است. ژنتیک و حالتهای احساسی مانند احساس ناراحتی، اضطراب، استرس یا غم، همگی به کیفیت خواب کمک میکنند و هر پروفایل خواب با میزان عملکرد افراد در جنبههای مختلف مرتبط بود. این نتایج در مطالعهای که در ۷ اکتبر در مجله PLOS Biology منتشر شد، گزارش شده است.
آرور پرو، محقق مؤسسه تحقیقات پزشکی وولکوک در سیدنی و نویسنده اصلی این مطالعه، در ایمیلی به لایو ساینس گفت: «من واقعاً امیدوارم که پزشکان در اولین ارزیابی بالینی خود، [به ابعاد بیشتری از] خواب توجه کنند. فراتر از این سؤال که ‘خواب شما چطور است؟ خوب یا بد؟’ یا ‘چند ساعت میخوابید؟’ بلکه سؤالات بیشتری بپرسند.»
بررسی دقیقتر ارتباط خواب و سلامتی
دانشمندان میدانند افرادی که خواب ضعیفی دارند، در معرض خطر بسیار بیشتری برای ابتلا به افسردگی، اضطراب، بیماریهای قلبی عروقی و اختلال شناختی هستند و معمولاً طول عمر کوتاهتری دارند. اما به گفته نویسندگان، علت و جهتگیری دقیق این همبستگیها مشخص نبوده است و اکثر مطالعات قبلی، خواب را در سطح جزئی و دقیقهبهدقیقه دستهبندی نکردهاند.
برای رفع این مشکل، محققان از دادههای پروژه کانکتوم انسانی (Human Connectome Project)، که اتصالات فیبر عصبی در سراسر مغز انسان را نقشهبرداری میکند، استفاده کردند تا تصویر دقیقتری از کیفیت خواب و رابطه آن با بهزیستی (Well-being) به دست آورند.
این مجموعه داده شامل تصویربرداری مغزی و طیف گستردهای از جزئیات گزارششده توسط خود افراد در مورد سبک زندگی، سلامت روانی و جسمی، و همچنین ویژگیهای شخصیتی و خواب آنها بود؛ برای مثال، مدت زمان معمول خواب، دشواری در به خواب ماندن و استفاده از کمکهای خواب.
افرادی که به افسردگی بالینی تشخیص داده شده بودند از مطالعه حذف شدند، اما اگر افراد دارای علائم تحت بالینی (Subclinical) اضطراب یا افسردگی بودند که مانع عملکرد روزانه آنها نمیشد، در مطالعه گنجانده شدند. پرو گفت که محققان بر دادههای ۷۷۰ نفر در رده سنی ۲۲ تا ۳۶ سال تمرکز کردند که خواب آنها احتمالاً تحت تأثیر فرآیند پیری قرار نگرفته بود.
یافتن پروفایلها با هوش مصنوعی
پروژه پژوهشی اخیر، با استفاده از یک روش پیشرفته تحلیل داده مبتنی بر یادگیری ماشینی بدون نظارت (Unsupervised Machine Learning)، که از قابلیتهای هوش مصنوعی برای کشف الگوهای پنهان در دادهها بدون نیاز به دستهبندیهای اولیه استفاده میکند، موفق به کشف پیوندهای آماری معناداری بین ویژگیهای خاص سبک زندگی، دادههای تصویربرداری مغزی و جنبههای مختلف کیفیت خواب شد.
در این مطالعه، برای ارزیابی عینی کیفیت خواب، از شرکتکنندگان خواسته شد تا وضعیت خواب خود را در طول ماه گذشته با استفاده از ابزار استاندارد شاخص کیفیت خواب پیتسبرگ (PSQI) ارزیابی کنند؛ نمره ۵ یا کمتر به عنوان معیار «خواب خوب» در نظر گرفته شد و با میانگین نمره ۵.۱۴ در میان افراد مورد مطالعه، مشخص شد که جمعیت مورد بررسی در آستانه کیفیت خواب ضعیف قرار دارند.
محققان با تمرکز بر روی کسانی که نمرات بالای ۵ داشتند و خواب ضعیفی را گزارش کرده بودند، این دادههای پیچیده را تجزیه و تحلیل کردند تا پنج پروفایل خواب کاملاً متمایز را تعریف کنند، که شامل گروههایی نظیر «خوابکنندگان ضعیف» (افرادی که در خوابیدن مشکل دارند و علائم سلامت روان مانند اضطراب را تجربه میکنند) و «خوابکنندگان مختل» (افرادی که خوابشان به حدی دچار اختلال میشود که مستقیماً بر سلامت و عملکرد شناختی روزانه آنها تأثیر میگذارد) بودند. این تفکیک دقیق، فراتر از تشخیص ساده بیخوابی است و زمینهساز رویکردهای درمانی شخصیسازیشده میشود.
پنج پروفایل خواب
- خوابکنندگان ضعیف (Poor Sleepers): این افراد در به خواب رفتن و به خواب ماندن مشکل داشتند و اغلب دارای مسائل سلامت روانی مانند احساس اضطراب، افسردگی، عصبانیت یا استرس و همچنین اختلال در عملکرد روزانه بودند.
- خواب-تابآور (Sleep-resilient): این افراد، با وجود داشتن چالشهای سلامت روانی (مانند بیتوجهی، اختلال نقص توجه/بیشفعالی و مشکلات تفکر و تمرکز در طول روز)، مشکلات خواب را گزارش نکردند.
- کوتاهخوابها (Short Sleepers): آنها مدت زمان طولانی نمیخوابیدند و با مشکلاتی در تفکر و حافظه، و همچنین پرخاشگری و موافقتپذیری (Agreeableness) پایینتر روبرو بودند.
- مصرفکنندگان کمکهای خواب (Sleep-aid Users): الگوهای خواب آنها عمدتاً تحت تأثیر استفاده از کمکهای خواب، مانند داروهای بدون نسخه، CBD (کانابیدیول) با یا بدون THC، چای بابونه یا داروهای تجویزی بود.
- خوابکنندگان مختل (Disturbed Sleepers): خواب آنها اغلب مختل میشد، احتمالاً به دلیل استفاده از الکل یا سیگار یا به دلیل کمآبی بدن، که بر سلامت و زندگی روزمره آنها تأثیر میگذاشت.
هر پروفایل همچنین با یک «امضای عصبی» (Neural Signature) یا پاسخی در مغز مرتبط است که شامل اطلاعاتی در مورد آنچه فرد ممکن است در آن زمان تجربه کرده باشد، مانند دمای بدن، کابوسها یا نوسانات هورمونی است.
پرو گفت که این نشان میدهد پروفایلهای خواب با مدار مغز و همچنین نشانگرهای سلامتی و بهزیستی مرتبط هستند.
دکتر هنری یاگی، استاد پزشکی داخلی و مدیر مرکزهای خواب ییل، از روششناسی این مطالعه تمجید کرد. یاگی که در این تحقیق دخیل نبود، به لایو ساینس گفت: «این ارزیابی بسیار جامعتری از خواب نسبت به آنچه که در گذشته داشتیم است. این یک روش یکسان برای همه نیست. پروفایلهایی از خواب وجود دارد که با سلامت روان ارتباط دارند.»
کاربرد در آینده
پرو (Perron) بر این باور است که پنج پروفایل خواب شناساییشده میتوانند به طور بالقوه به عنوان نشانگرهای زیستی (Biomarkers) عمل کنند؛ به این معنی که این الگوهای خواب به عنوان علائم هشداردهنده قابل اندازهگیری برای شرایط سلامتی خاصی در آینده، قابل استفاده خواهند بود.
یاگی (Yagi) توضیح داد که از آنجایی که این پروفایلهای خواب در حال حاضر در نمونهای از بزرگسالان جوان و سالم تعریف شدهاند، تحقیقات و مطالعات طولی بیشتری لازم است تا به طور قطعی مشخص شود که آیا میتوانند به عنوان نشانگرهای زیستی عمل کنند؛ به عنوان مثال، برای تشخیص زودهنگام اضطراب و افسردگی در حال توسعه پیش از ظهور علائم کامل. اگر ارتباطی اثبات شود، این پروفایلها میتوانند ابزاری حیاتی برای مداخله زودرس باشند.
هدایت مداخلات بالینی و درمان بیخوابی
هم پرو و هم یاگی در مصاحبه با لایو ساینس (Live Science) بر پتانسیل بسیار بالای این پنج پروفایل خواب برای هدایت و شخصیسازی مداخلات بالینی تأکید کردند. این دستهبندی میتواند منجر به رویکردی هدفمندتر در درمان شود.
به عنوان مثال، ممکن است برخی از درمانها و مداخلات خاص مانند گفتاردرمانی، اپلیکیشنهای تخصصی خواب و استفاده از دستگاههای CPAP (فشار مثبت مداوم راه هوایی) که با هدف بهبود کیفیت خواب انجام میشوند، برای گروه خاصی از افراد (مثلاً «کوتاهخوابها») مفیدتر و مؤثرتر باشند تا برای گروهی دیگر (مانند «مصرفکنندگان کمکهای خواب»).
پرو افزود که این خط تحقیقاتی همچنین میتواند پاسخی برای یک معمای بالینی قدیمی پیدا کند: روشن کند که چرا تقریباً ۴۰ درصد از بیماران به درمان استاندارد شناختی-رفتاری برای بیخوابی (CBT-I)، که یک نوع رایج گفتاردرمانی و رفتاردرمانی است، پاسخ نمیدهند. درک دقیقتر پروفایل خواب هر بیمار میتواند به پزشکان کمک کند تا روشهای درمانی جایگزین و مؤثرتری را برای این جمعیت بزرگ از بیماران مقاوم به درمان انتخاب کنند.
دیدگاه ها