Snoring: the silent signal in sleep medicine
Notice bibliographique
Résumé
ABSTRACT Snoring is highly prevalent, increases with age and is greater in men. The prevalence rates of snoring in the general population are variable, ranging from 20 to 60%. However, all population-based studies used the subjective analysis of snoring evaluated by questionnaires. Snoring is the major reported signal that may indicate obstructive sleep apnea (OSA). The polysomnography study, which is the golden standard test for the diagnosis of OSA, frequently uses the vibration recording by a sensor located on the patient’s neck. However, this signal is not calibrated and has no correlation with sound intensity. To date, there is no consensus on the methodology of the acquisition and analysis of the snore signal. This review article evaluates methodological studies that report on snoring recording equipment and correlate the snoring signal with OSA. Using the keywords “Snoring” and “Obstructive Sleep Apnea” in PubMed, we found 602 articles, however there were only 11 studies (1.8%) that reported on technical aspects regarding snoring recording and analysis. The selected articles showed a wide variability in the method of recording, as well as analysis of the snoring signal. The lack of technical studies on snoring reflects a major gap in Sleep Medicine. Recent data obtained by objective measurements showed that snoring intensity correlates with OSA severity. In addition, snoring recordings represent a promising new noninvasive tool for the diagnosis of OSA. We conclude that snoring is a poorly monitored signal and that more studies are warranted in this fundamental area of Sleep Medicine.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».