Sleep modelled as a continuous and dynamic process predicts healthy ageing better than traditional sleep scoring
Notice bibliographique
Résumé
In current clinical practice, sleep is manually scored in discrete stages of 30-s duration. We hypothesize that modelling sleep automatically as continuous and dynamic process predicts healthy ageing better than traditional scoring. Sleep electroencephalography of 15 young healthy subjects (aged ≤40 years) was used to train the modelling method. Each 3-s sleep mini-epoch was modelled as a probabilistic combination of wakefulness, light and deep sleep. For 79 healthy sleepers (aged 20–77 years), 15 sleep features were derived from manual traditional scoring (manual features), 7 from the automatic modelling (automatic features) and 24 from a combination of automatic modelling with traditional scoring (combined features). Age was predicted with seven multiple linear regression models with i) manual, ii) automatic, iii) combined, iv) manual + automatic, v) manual + combined, vi) automatic + combined, and vii) manual + automatic + combined sleep features. Using the same seven sleep feature groups, two support vector machine and one random forest classifiers were used to discriminate younger (aged <47 years) from older subjects with fivefold cross-validation. Adjusted coefficients of determination (adj-R2) and average validation accuracy (ACC) were used to compare the linear models and the classifiers. The linear model and the classifiers using only manual features achieved the lowest values of adjusted coefficient of determination and classification validation accuracy (adj-R2 = 0.295, ACC = 63.00% ± 16.22%) compared to the ones using automatic (adj-R2 = 0.354, ACC = 65.83% ± 9.39%), combined (adj-R2 = 0.321, ACC = 63.42% ± 8.78%), manual + automatic (adj-R2 = 0.416, ACC = 67.00% ± 8.60%), manual + combined (adj-R2 = 0.355, ACC = 72.17% ± 12.90%), automatic + combined (adj-R2 = 0.448, ACC = 65.92% ± 7.97%), and manual + automatic + combined sleep features (adj-R2 = 0.464, ACC = 70.92% ± 10.33%). Continuous and dynamic sleep modelling captures healthy ageing better than traditional sleep scoring.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».