Using heart rate profiles during sleep as a biomarker of depression
Notice bibliographique
Résumé
BACKGROUND: Abnormalities in heart rate during sleep linked to impaired neuro-cardiac modulation may provide new information about physiological sleep signatures of depression. This study assessed the validity of an algorithm using patterns of heart rate changes during sleep to discriminate between individuals with depression and healthy controls. METHODS: A heart rate profiling algorithm was modeled using machine-learning based on 1203 polysomnograms from individuals with depression referred to a sleep clinic for the assessment of sleep abnormalities, including insomnia, excessive daytime fatigue, and sleep-related breathing disturbances (n = 664) and mentally healthy controls (n = 529). The final algorithm was tested on a distinct sample (n = 174) to categorize each individual as depressed or not depressed. The resulting categorizations were compared to medical record diagnoses. RESULTS: The algorithm had an overall classification accuracy of 79.9% [sensitivity: 82.8, 95% CI (0.73-0.89), specificity: 77.0, 95% CI (0.67-0.85)]. The algorithm remained highly sensitive across subgroups stratified by age, sex, depression severity, comorbid psychiatric illness, cardiovascular disease, and smoking status. CONCLUSIONS: Sleep-derived heart rate patterns could act as an objective biomarker of depression, at least when it co-occurs with sleep disturbances, and may serve as a complimentary objective diagnostic tool. These findings highlight the extent to which some autonomic functions are impaired in individuals with depression, which warrants further investigation about potential underlying mechanisms.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».