MétaCan
Menu
Retour à la cohorte
Enregistrement W3157606639 · doi:10.1093/sleep/zsab072.269

270 Sleep Enhancement Technology: A Survey of Devices

2021· article· en· W3157606639 sur OpenAlexaff
Grace Klosterman, Emily Stekl, Guido Simonelli, Jacob Collen, Tracy Jill Doty

Notice bibliographique

RevueSLEEP · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueSleep and related disorders
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésSleep (system call)Obstructive sleep apneaComputer scienceMedicineIntervention (counseling)Sleep apneaLatency (audio)PsychologyPsychiatryTelecommunications

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction Innovations in consumer sleep technologies have risen exponentially and providers struggle to keep up with patient expectations in this arena. Although there is high quality data on the validity on commercial sleep monitoring devices, there has been a rise in devices for the explicit purpose of sleep enhancement. We sought to identify existing consumer sleep devices that claim to enhance sleep, provide a comprehensive review of the main characteristics of these devices, and look into the types of evidence the developers offered to support their claims. Methods Using a scoping review framework we identified and mapped out the main characteristics of sleep enhancement devices in the consumer market. We systematically used a common search engine and the FDA database using various combinations of sleep-related search terms, such as “sleep enhancement device”. Through an iterative process, we identified and categorized devices based on the intervention target. Devices that were exclusively for clinical use and required a prescription, such as for the treatment of obstructive sleep apnea or diagnosed insomnia, were excluded. Results We identified 34 sleep enhancement devices, all 34 were found via web search and one was also found in the FDA Database. We defined the following overlapping categories: reduce sleep latency (94.1%), increase restorative sleep (17.6%), and/or “other” (32.4%). About half of the devices use sound (44.1%), 26.5% use visual stimuli, and 11.8% use vibration. Additionally, roughly a third of all devices claim to entrain brain signals associated with sleep. Half of devices found operate near the bed without being in contact with the consumer, 44.1% are worn on the body, and the remaining 5.9% operate in bed, near the consumer. Conclusion For the most part, commercial sleep enhancement devices target sleep latency or claim to increase the restorative power of sleep. These devices generally use auditory, visual, and vibratory stimuli, and half are worn on the body. Lack of evidence supporting whether these devices actually improve sleep questions the utility of such devices and demonstrates the need for validation standards for consumer sleep enhancement devices. Support (if any) Department of Defense Military Operational Medicine Research Program (MOMRP)

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,353
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,298
Écart entre enseignants0,280 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSLEEPMême sujetSleep and related disordersTravaux en français237 207