Actigraphic detection of periodic limb movements: development and validation of a potential device-independent algorithm. A proof of concept study
Notice bibliographique
Résumé
STUDY OBJECTIVES: We propose a unique device-independent approach to analyze long-term actigraphy signals that can accurately quantify the severity of periodic limb movements in sleep (PLMS). METHODS: We analyzed 6-8 hr of bilateral ankle actigraphy data for 166 consecutively consenting patients who simultaneously underwent routine clinical polysomnography. Using the proposed algorithm, we extracted 14 time and frequency features to identify PLMS. These features were then used to train a Naïve-Bayes learning tool which permitted classification of mild vs. severe PLMS (i.e. periodic limb movements [PLM] index less than vs. greater than 15 per hr), as well as classification for four PLM severities (i.e. PLM index < 15, between 15 and 29.9, between 30 and 49.9, and ≥50 movements per hour). RESULTS: Using the proposed signal analysis technique, coupled with a leave-one-out cross-validation method, we obtained a classification accuracy of 89.6%, a sensitivity of 87.9%, and a specificity of 94.1% when classifying a PLM index less than vs. greater than 15 per hr. For the multiclass classification for the four PLM severities, we obtained a classification accuracy of 85.8%, with a sensitivity of 97.6%, and a specificity of 84.8%. CONCLUSIONS: Our approach to analyzing long-term actigraphy data provides a method that can be used as a screening tool to detect PLMS using actigraphy devices from various manufacturers and will facilitate detection of PLMS in an ambulatory setting.
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 ».