The relationship between machine-learning-derived sleep parameters and behavior problems in 3- and 5-year-old children: results from the CHILD Cohort study
Notice bibliographique
Résumé
STUDY OBJECTIVES: Machine learning (ML) may provide insights into the underlying sleep stages of accelerometer-assessed sleep duration. We examined associations between ML-sleep patterns and behavior problems among preschool children. METHODS: Children from the CHILD Cohort Edmonton site with actigraphy and behavior data at 3-years (n = 330) and 5-years (n = 304) were included. Parent-reported behavior problems were assessed by the Child Behavior Checklist. The Hidden Markov Model (HMM) classification method was used for ML analysis of the accelerometer sleep period. The average time each participant spent in each HMM-derived sleep state was expressed in hours per day. We analyzed associations between sleep and behavior problems stratified by children with and without sleep-disordered breathing (SDB). RESULTS: Four hidden sleep states were identified at 3 years and six hidden sleep states at 5 years using HMM. The first sleep state identified for both ages (HMM-0) had zero counts (no movement). The remaining hidden states were merged together (HMM-mov). Children spent an average of 8.2 ± 1.2 h/day in HMM-0 and 2.6 ± 0.8 h/day in HMM-mov at 3 years. At age 5, children spent an average of 8.2 ± 0.9 h/day in HMM-0 and 1.9 ± 0.7 h/day in HMM-mov. Among SDB children, each hour in HMM-0 was associated with 0.79-point reduced externalizing behavior problems (95% CI -1.4, -0.12; p < 0.05), and a 1.27-point lower internalizing behavior problems (95% CI -2.02, -0.53; p < 0.01). CONCLUSIONS: ML-sleep states were not associated with behavior problems in the general population of children. Children with SDB who had greater sleep duration without movement had lower behavioral problems. The ML-sleep states require validation with polysomnography.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».