Investigating the Effects of Applying Different Actigraphy Processing Approaches to Examine the Sleep Data of Patients With Neuropathic Pain
Notice bibliographique
Résumé
Individuals suffering from neuropathic pain commonly report issues associated with sleep. To measure sleep in this population, researchers have used actigraphy. Historically, actigraphy data have been analyzed in the form of counts; however, due to the proprietary nature, many opt to quantify data in its raw form. Various processing techniques exist to accomplish this; however, it remains unclear how they compare to one another. This study sought to compare sleep measures derived using the GGIR R package versus the GENEActiv (GA) R Markdown tool in a neuropathic pain population. It was hypothesized that the processing techniques would yield significantly different sleep outcomes. One hundred and twelve individuals (mean age = 52.72 ± 13.01 years; 60 M) with neuropathic pain in their back and/or lower limbs were included. While simultaneously undergoing spinal cord stimulation, actigraphy devices were worn on the wrist for a minimum of 7 days (GA; 50 Hz). Upon completing the protocol, sleep outcome measures were calculated using (a) the GGIR R package and (b) the GA R Markdown tool. To compare these algorithms, paired-samples t tests and Bland–Altman plots were used to compare the total sleep time, sleep efficiency, wake after sleep onset, sleep onset time, and rise times. According to the paired-samples t test, the GA R Markdown yielded lower total sleep time and sleep efficiency and a greater wake after sleep onset, compared with the GGIR package. Furthermore, later sleep onset times and earlier rise times were reported by the GGIR package compared with the GA R Markdown.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».