Prospective Analysis of Sleep Stages, Obstructive Sleep Apnea Status, and Head and Neck Anatomy
Notice bibliographique
Résumé
Objectives: 1) Determine if time in each sleep stage correlates to presence and severity of obstructive sleep apnea (OSA). 2) Analyze anatomy from nasopharyngoscopy and an otolaryngology exam for correlation with sleep stages. 3) Compare Epworth sleepiness scale (ESS), Nasal Obstruction and Septoplasty Effectiveness (NOSE) survey, and the Calgary Sleep Apnea Quality of Life Index (SAQLI) with sleep stages and OSA. Methods: Twenty‐one subjects referred for polysomnography (PSG) by a primary care provider to the Wilford Hall Ambulatory Surgery Sleep Center prospectively underwent PSG, completed three surveys (ESS, SAQLI, and NOSE), and had a head and neck examination to include Fujita and Mallampati classification, tonsil size, palatal phenotype, and percent glottis visible at rest and on jaw jet on nasopharyngoscopy. In addition to demographics and standard PSG data (AHI, RDI, RERA, and lowest oxygen saturation), time in each sleep stage was calculated. Regression modeling was used for analysis. Results: Nine of twenty‐one subjects had OSA (7 mild and 2 severe). Initial regression analysis revealed trends towards increased Stage I and II sleep and decreased stage III and rapid eye movement (REM) sleep with OSA. SAQLI scores correlated with Stage I and II sleep and inversely with Stage III and REM sleep. No anatomic data trended towards significance between OSA or primary snoring subjects. Conclusion: This pilot study suggests subjects with OSA are less likely to achieve deep sleep and have worse quality of life scores. Typical anatomy used in sleep surgery did not correlate with time in sleep stages.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».