Artificial Intelligence Analysis of Mandibular Movements Enables Accurate Detection of Phasic Sleep Bruxism in OSA Patients: A Pilot Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Sleep bruxism (SBx) activity is classically identified by capturing masseter and/or temporalis masticatory muscles electromyographic activity (EMG-MMA) during in-laboratory polysomnography (PSG). We aimed to identify stereotypical mandibular jaw movements (MJM) in patients with SBx and to develop rhythmic masticatory muscles activities (RMMA) automatic detection using an artificial intelligence (AI) based approach. PATIENTS AND METHODS: This was a prospective, observational study of 67 suspected obstructive sleep apnea (OSA) patients in whom PSG with masseter EMG was performed with simultaneous MJM recordings. The system used to collect MJM consisted of a small hardware device attached on the chin that communicates to a cloud-based infrastructure. An extreme gradient boosting (XGB) multiclass classifier was trained on 79,650 10-second epochs of MJM data from the 39 subjects with a history of SBx targeting 3 labels: RMMA episodes (n=1072), micro-arousals (n=1311), and MJM occurring at the breathing frequency (n=77,267). RESULTS: Validated on unseen data from 28 patients, the model showed a very good epoch-by-epoch agreement (Kappa = 0.799) and balanced accuracy of 86.6% was found for the MJM events when using RMMA standards. The RMMA episodes were detected with a sensitivity of 84.3%. Class-wise receiver operating characteristic (ROC) curve analysis confirmed the well-balanced performance of the classifier for RMMA (ROC area under the curve: 0.98, 95% confidence interval [CI] 0.97-0.99). There was good agreement between the MJM analytic model and manual EMG signal scoring of RMMA (median bias -0.80 events/h, 95% CI -9.77 to 2.85). CONCLUSION: SBx can be reliably identified, quantified, and characterized with MJM when subjected to automated analysis supported by AI technology.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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) | 0,000 | 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 découle