Sleep monitoring with portable devices in ICU patients
Notice bibliographique
Résumé
Introduction: Sleep disruption and deprivation is a continuing problem in the Intensive Care Unit, but measures to improve sleep cannot utilize traditional polysomnography. Practical, non-intrusive diagnostic monitoring of sleep is required. Aim: To: 1) test two new portable ambulatory sleep diagnostic devices to monitor sleep in ICU and 2) compare sleep data generated by the different devices. Methods: The devices were a) WatchPAT 200 (Itamar Medical), wrist watch-style, employing peripheral arterial tone and actigraphy to evaluate sleep time and sleep stage by an automatic algorithm (PAT device) and b) ALICE PDx (Respironics Philips), miniature polysomnographic device utilizing EEG and EMG recordings, with technician scoring (Mini-PSG device). Both include oximetry and position sensors. Seven ICU patients provided informed consent (mean age 68 years) and were recorded wearing both devices, from 2100 to 0600. Results: Both devices successfully monitored sleep in ICU patients. The PAT device was less intrusive with size and attachments. Saturation and heart rate oximetry data were identical from the devices: Both devices calculated total sleep time (TST), and detected changing sleep stage. There were significant differences in reported values. Mean TST reported was 365 and 507 min., for Mini-PSG and PAT device, respectively, difference 28%. Similarly, REM sleep time was 7.9 and 16.1%TST for the devices, difference 51%. There was large inter-patient variance; some patients showed similar results from both devices. Conclusions: Portable sleep diagnostic devices can successfully monitor sleep in ICU patients. Devices based on different sensor recordings may generate different calculations of sleep time and stage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».