269 Sleep Enhancement Technology: A Survey of Apps
Notice bibliographique
Résumé
Abstract Introduction The ever-evolving market for sleep technologies far outpaces the ability of providers to understand and counsel patients about developments in this area. Although significant literature has validated the performance of sleep tracking technologies, there is little evidence regarding sleep enhancement technologies. Our study systematically surveys currently available commercial sleep enhancement smartphone applications to empower both providers and patients alike. Methods We systematically searched the App Store (Apple) and Google Play Store (Android) in the US on 26 MAY 2020 using the keyword “sleep.” This survey is inclusive of all smartphone applications found. Results We identified 342 apps: 70.2% were found on Android (N=240) and 29.8% on Apple (N=102). Ninety-five percent of apps offer a free version. The majority of sleep apps are intended for use during wake (65.8% exclusively during wake; 28.7% during both wake and sleep), with only 5.6% intended to be used during sleep alone. Most apps purport to enhance rather than measure sleep (78.7% versus 1.8%). The vast majority of apps claim to enhance sleep via reductions in sleep latency (65.8%). Reduced sleep latency is primarily achieved using a combination of non-verbal auditory stimuli such as nature sounds (84.4%), artificial stimuli (64.5%), and instrumental music (77.1%). Conclusion Interestingly, most sleep apps are designed to be used while awake, prior to sleep, and focus on the enhancement of sleep, rather than measurement, by targeting sleep latency. Given the multitude of available sleep enhancement apps, many of which are free to try, these should be considered a reasonable strategy for providers and consumers to consider for empowering patients to improve sleep! 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 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 | 0,001 |
| 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) | 0,004 | 0,001 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».