医学生睡眠问题的潜类别及其影响因素分析

周军 金来润 陶梦君 丁书姝 袁慧

摘要：目的：探讨医学生睡眠问题的潜在类别并分析其影响因素，为改善医学生睡眠提供科学依据.方法：使用匹兹堡睡眠质量指数（PSQI）对某医学院校在校生睡眠状况进行调查，运用Mplus软件进行潜在类别分析（LCA）.结果：共调查医学生395人，男生186人（47.1%），女生209人（52.9%）.医学生睡眠问题可分为睡眠不足（11.9%），睡眠不安（2.8%），多种睡眠问题（6.1%），睡眠良好（79.2%）四个类型.多项logistics回归分析显示，与睡眠良好组的学生相比，男生、高年级和学习压力大的学生更容易进入睡眠不足组（P<0.05）;白天精神状态差的学生则易进入睡眠不足和睡眠不安两组（P<0.05）.结论：医学生睡眠问题存在明显的群体异质性和性别效应，并且往往成簇发生.应重点关注学习压力大和白天精神状态差的学生.

关键词：医学生;睡眠问题;潜在类别分析;影响因素

中图分类号：R16  文献标识码：A  文章编号：1673-260X（2019）07-0105-04

睡眠是人类生命活动中必需的生理和心理过程，睡眠质量差直接影响着身心健康的发展.近年来，研究表明大学生睡眠质量不容乐观，网络依赖、手机成瘾和学业压力等因素导致睡眠问题频现.一项大型调查研究显示，约62%的美国大学生睡眠质量不佳，其中高达27%的学生存在睡眠障碍[1].另有研究表明，与非医学专业学生相比，医学生睡眠障碍发生率更高[2].在我国，约有4.27%～59.83%的医学生睡眠质量差或存在睡眠障碍[3，4]，由于人口学特征、調查地域和评定方法等差异，调查所得医学生存在睡眠问题的百分比也不尽相同.

目前，国内相关研究在划分大学生睡眠问题类别时，几乎都是通过界定量表总得分临界值的方式来划分，如使用PSQI量表调查大学生睡眠时，一般将总分大于等于8分定义为睡眠障碍，或各因子得分大于等于2分判定为睡眠质量差[5];使用睡眠状况自评量表（SRSS）时，往往将总得分大于等于23分定义为存在睡眠问题[6].然而，按总分高低来划分较为简单，并不能很好地区分研究对象中不同特征的组群及组群之间存在的质性差异[7].潜在类别分析（Latent Class Analysis， LCA）根据个体在每个项目上的得分概率来判断该个体的潜在特征分类，因此，避免了通过借助临界值的方式来划分人群，可能成为一种更为科学严谨的分类手段.近年来，LCA被广泛应用于社会学、心理学和疾病的群体分类或诊断中[8].

目前关于大学生睡眠问题的LCA研究鲜有报道，本研究拟采用LCA对在校医学生睡眠问题特征进行研究，寻找最优的分类模型，探索医学生睡眠是否存在群体异质性，在此基础上进一步探讨人口学特征、学习压力和环境因素等对潜在类别的影响.

1 对象与方法

1.1 对象

采用整群抽样的方法对安徽省芜湖市某医学院校不同年级不同专业的学生进行调查，共发放430份问卷，排除空白和填写有误的问卷，回收有效问卷395份，有效率为91.86%.

1.2 方法

在辅导员及各班班委的配合及协助下，告知同学们本次调查的目的和意义，获得其知情同意，再由经过统一培训的调查员对各班级学生进行匿名问卷调查.调查内容主要包括：（1）一般人口学特征;（2）学习压力、白天精神状态和睡前运动（看书、聊天、运动和上网/娱乐）等研究因素;（3）PSQI量表：该量表在评估医学生近一个月内的睡眠质量时具有较好的信度与效度[9]，包含18个自评条目，分为7个组成因子，每个因子均按0～3分等级计分，得分越高表示睡眠质量越差.

1.3 统计分析

采用Epi Data 3.1软件完成数据录入，计量资料采用均数±标准差表示，分类变量资料采用率或构成比表示.采用Mpus7.0软件进行潜在类别分析，潜在类别模型的适配检验指标主要有[10]：（1）Akaike信息标准（Akaike information criterion， AIC）、贝叶斯信息标准（Bayesian Information Criterion， BIC）和经过样本校正的贝叶斯信息标准（adjusted Bayesian information criterion， aBIC），三个指标越小，模型拟合效果越好;（2）Entropy指数，值越大表明分类的准确率越高;（3）似然比（Lo-Mendell-Rubin， LMR）和基于bootstrap的似然比 （bootstrapped likelihood ratio test， BLRT）检验，如果这两个指标的P值达到显著水平（P<0.05），表明K个类别的模型显著优于K-1个类别的模型.利用SPSS16.0软件进行单因素分析（？字2检验、Fisher精确概率法），多因素logistic回归分析探讨睡眠问题各潜在类别的影响因素，以P<0.05为差异有统计学意义.

2 结果

2.1 基本人口学特征

本次共调查医学生395人，男生186人（47.1%），女生209人（52.9%），年龄为17-24岁，平均年龄（20.59±1.28）岁，一年级125人（31.6%），二年级174人（44.1%），三年级96人（24.3%）.临床医学专业237人（60.0%），其他专业158人（40.0%）.

2.2 睡眠问题潜在类别模型的确定

分别拟合了1～5个类别模型（见表1），3个潜在类别模型时，BIC和aBIC值最小，提示模型拟合可能较好，但到4个潜类别模型时，AIC出现最小值，且Entropy最大，此时LMR和BLRT均显示P<0.05，差异有统计学意义，提示4个潜类别模型时，分类准确率最高且显著优于3个潜类别模型.综合考虑，本研究选择4个潜在类别的分类.

2.3 各潜类别的命名

类别1在主观睡眠质量、睡眠潜伏期和睡眠持续性三个因子上的得分概率较高，对应的条目分别是：过去一个月总睡眠质量，每晚入睡需要的时间，不能在30分钟内入睡，每晚实际睡眠的时间，而在另外四个因子上得分概率较低，这一类学生表现出来的睡眠问题特征主要是不易开始睡眠且睡眠时间较短，故命名为“睡眠不足”.类别2在睡眠紊乱、使用睡眠药物和日间功能障碍三个因子得分概率高，对应的条目分别是：影响睡眠的事情，需要服用药物才能入睡，白天状态受影响，这类学生的睡眠问题主要是睡眠状态不佳，睡眠过程中易出现诸如“不舒服的呼吸，做不好的梦”等影响睡眠的事情，甚至需要服用睡眠药物来促进睡眠，因此命名为“睡眠不安”.类别3在各个因子上的得分概率均较低，这类学生被命名为“睡眠良好”.相反，类别4的学生在各个因子上均具有较高的得分概率，被命名为“睡眠障碍”，见图1.

2.4 睡眠问题潜在类别的单因素分析

不同潜在类别组学生在性别、年级、学习压力和白天精神状态等因素上差异有统计学意义（P<0.05）;而在性格、专业和睡前活动等因素上差异无统计学意义（P>0.05），见表2.

2.5 睡眠问题潜类别影响因素的多项logistics回归分析

以4个潜在类别的分类作为因变量，并将类别3（睡眠良好组）作为参考类别，将单因素分析有意义的因素作为自变量做logistics回归分析.结果显示，男生、高年级、学习压力大和白天精神状态差的学生发生睡眠不足的风险较大（P<0.05）;白天精神状态差的学生发生睡眠不安的概率更高（P<0.01），见表3.

3 讨论

LCA可对多分类的类别变量、等级变量等多种类型的资料进行聚类分析，其中对二分类变量具有很好的分类效果[11].为了得到较好的拟合效果并且使结果易于解释，本研究将评估睡眠质量七个组成因子四分类变量（非常好/尚好，较差/非常差）转化为二分类变量（好，差），对应的得分模式由（0-3）分转化为（0，1）分，在此基础上，探讨睡眠问题的最佳分类模型.

同样基于七个因子得分概率，Yildirim等[12]将社区老年人睡眠质量分为不良睡眠和良好睡眠两类.而本研究发现，医学生睡眠问题可分为四个潜在类别，分别为“睡眠不足”，“睡眠不安”，“多种睡眠问题”和“睡眠良好”.除了睡眠良好的学生（79.2%），其他三类学生均存在不同程度的睡眠问题（20.8%），这与之前的研究结果高度相似[13，14].通过聚类分析，不难发现医学生的睡眠问题往往是伴随着成簇发生的，比如同一个体睡眠潜伏期延长常伴随着睡眠持续性短，这类学生的主要特点是虽有一个舒适的睡眠过程，但睡眠不易开始且睡眠时间不充足;再如另一个体虽然很快入睡且睡眠时间足够，但在睡眠过程中常出现扰乱睡眠的个人问题，而这类学生倾向使用安眠药物来促进睡眠.研究显示，睡眠药物的使用从长久来看并不能本质地改善睡眠，相反甚至导致更多的睡眠相关问题，因此这类学生应该引起高度重视[15].

多项logistics回归分析显示，与女生相比，男生更容易出现睡眠时间不足.研究表明，男生网络成瘾高于女生[16]，可能由于男生倾向花费较多的时间在手机娱乐或网络游戏等方面，甚至熬夜而占用了睡眠时间，或者利用睡眠时间去补充学习，调整和应对日常的工作量和压力环境.高年级学生发生睡眠不足的风险性更高，这可能与学业压力及学术成就感有关，相对于低年级而言，高年级学生学业压力更大，并且处在临床前阶段如实习、毕业等容易出现倦怠，而这种倦怠主要源于玩世不恭和低学术成就感，进一步演变成为情绪低落甚至情感痛苦，进而影响睡眠[17].较差的白天精神状态使得睡眠时间不足和睡眠不安的发生率增加，这可能与白天里不良的情绪或不安的經历有关，白天里的负面行为常常会在梦里重现进而影响睡眠.

综上所述，本研究从潜在类别的角度探讨了医学生的睡眠现况，发现医学生的睡眠问题具有成簇聚类的特征，并且存在性别效应，而影响其特征分类的因素则是多方面的.总体而言，医学生的眠质量仍不容乐观，应重点关注学习压力大和白天精神状态差的医学生.

参考文献：

〔1〕Becker S P， Jarrett M A， Luebbe A M， et al. Sleep in a large， multi-university sample of college students： sleep problem prevalence， sex differences， and mental health correlates[J]. Sleep Health， 2018， 4（2）：174.

〔2〕Rohan S， Rajat T， Ashish G. Burnout and Sleep Quality： A Cross-Sectional Questionnaire-Based Study of Medical and Non-Medical Students in India[J]. Cureus，2015，7（10）：e361.

〔3〕屈芳，王雷，向仕婷，等.长沙市医学生睡眠质量及认知情况调查分析[J].中华疾病控制杂志，2016，20（01）：46-48+53.

〔4〕李雨晴，毛勇，蒋红成，等.某医学院校医学生睡眠质量及影响因素[J].公共卫生与预防医学，2015，26（06）：94-97.

〔5〕湛宇灿，李白坤，张缘，等.中国八所中医药高校学生睡眠质量及其相关因素分析[J/OL].中国预防医学杂志：http：//kns.cnki.net/kcms/detail/11.4529.R.20181105.1556.004.ht.

〔6〕魏明，李新华，王伟琼，等.医学生睡眠质量现状调查[J].中国健康心理学杂志，2014，22（03）：454-455.

〔7〕姚抒予，张雯，罗媛慧，等.妊娠期高血压疾病患者焦虑情绪的潜在类别及其与服药依从性的关系[J].中华高血压杂志，2016（12）：85-90.

〔8〕谢家树，魏宇民，ZHU Zhuorong.当代中国青少年校园欺凌受害模式探索：基于潜在剖面分析[J].心理发展与教育，2019，35（01）：95-102.

〔9〕郑棒，李曼，王凯路，等.匹兹堡睡眠质量指数在某高校医学生中的信度与效度评价[J].北京大学学报（医学版），2016，48（03）：424-428.

〔10〕杜刚，吕厚超.青少年未来期待潜在变量及与网络成瘾的关系[J].中国学校卫生，2018，39（12）：1835-1837+1840.

〔11〕曾宪华，肖琳，张岩波.潜在类别分析原理及实例分析[J].中国卫生统计，2013，30（06）：815-817.

〔12〕Yildirim A， Boysan M. Heterogeneity of sleep quality based on the Pittsburgh Sleep Quality Index in a community sample： a latent class analysis[J]. Sleep and Biological Rhythms，2017，15（3）：197-205.

〔13〕張尚孝，杨晓燕，张勇，等.新疆某医学院校大学生睡眠质量与学习倦怠相关性分析[J].中国职业医学，2016，43（02）：181-184.

〔14〕郭丽，张莹，李晓亮，等.医学生负性生活事件与睡眠质量关系[J].中国公共卫生，2015，31（07）：965-967.

〔15〕Choi NG， Dinitto DM， Marti CN， et al. Too little sleep and too much sleep among older adults： Associations with self-reported sleep medication use， sleep quality and healthcare utilization[J]. Geriatrics & Gerontology International，2017，17（4）：545-553.

〔16〕王小丹，高允锁，林翡翡，等.海南大学生网络成瘾现况及影响因素分析[J].中国健康教育，2015，31（12）：1152-1155.

〔17〕Pagnin D， de Queiroz， Valéria. Influence of burnout and sleep difficulties on the quality of life among medical students[J]. SpringerPlus，2015，4（1）：676.