Physiological correlates of the Epworth Sleepiness Scale reveal different dimensions of daytime sleepiness
Notice bibliographique
Résumé
Abstract The Epworth Sleepiness Scale is commonly used to examine self-reported daytime sleepiness in clinical populations; the physiologic correlates of this scale, however, are not well understood. Furthermore, how well this scale correlates with parallel objective and self-reported concepts of daytime sleepiness is not well described. As such, we used machine learning algorithms to examine the association between Epworth Sleepiness Scale scores and 55 sleep and medical variables in the Sleep Heart Health Study (N = 2105). Secondary analyses examined data stratified by age and gender and the relationship between the Epworth and other measures of daytime sleepiness. Analyses of the main data set resulted in low explained variance (7.15%–10.0%), with self-reported frequency of not getting enough sleep as most important predictor (10.3%–13.9% of the model variance). Stratification by neither age nor gender significantly improved explained variance. Cross-correlational analysis revealed low correlation of other daytime sleepiness measures to Epworth scores. We find that Epworth scores are not well explained by habitual or polysomnographic sleep values, or other biomedical characteristics. These analyses indicate that there are different, potentially orthogonal dimensions of the concept of “daytime sleepiness” that may be driven by different aspects of sleep physiology. As the physiologic correlates of the Epworth Sleepiness Scale remain to be elucidated, interpretation of the clinical meaning of these scores should be done with caution.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».