Frontal grey matter microstructure is associated with sleep slow waves characteristics in late midlife
Notice bibliographique
Résumé
STUDY OBJECTIVES: The ability to generate slow waves (SW) during non-rapid eye movement (NREM) sleep decreases as early as the 5th decade of life, predominantly over frontal regions. This decrease may concern prominently SW characterized by a fast switch from hyperpolarized to depolarized, or down-to-up, state. Yet, the relationship between these fast and slow switcher SW and cerebral microstructure in ageing is not established. METHODS: We recorded habitual sleep under EEG in 99 healthy late midlife individuals (mean age = 59.3 ± 5.3 years; 68 women) and extracted SW parameters (density, amplitude, frequency) for all SW as well as according to their switcher type (slow vs. fast). We further used neurite orientation dispersion and density imaging (NODDI) to assess microstructural integrity over a frontal grey matter region of interest (ROI). RESULTS: In statistical models adjusted for age, sex, and sleep duration, we found that a lower SW density, particularly for fast switcher SW, was associated with a reduced orientation dispersion of neurites in the frontal ROI (p = 0.018, R2β* = 0.06). In addition, overall SW frequency was positively associated with neurite density (p = 0.03, R2β* = 0.05). By contrast, we found no significant relationships between SW amplitude and NODDI metrics. CONCLUSIONS: Our findings suggest that the complexity of neurite organization contributes specifically to the rate of fast switcher SW occurrence in healthy middle-aged individuals, corroborating slow and fast switcher SW as distinct types of SW. They further suggest that the density of frontal neurites plays a key role for neural synchronization during sleep. TRIAL REGISTRATION NUMBER: EudraCT 2016-001436-35.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».