EEG Entropy in REM Sleep as a Physiologic Biomarker in Early Clinical Stages of Alzheimer’s Disease
Notice bibliographique
Résumé
BACKGROUND: Alzheimer's disease (AD) is associated with EEG changes across the sleep-wake cycle. As the brain is a non-linear system, non-linear EEG features across behavioral states may provide an informative physiologic biomarker of AD. Multiscale fluctuation dispersion entropy (MFDE) provides a sensitive non-linear measure of EEG information content across a range of biologically relevant time-scales. OBJECTIVE: To evaluate MFDE in awake and sleep EEGs as a potential biomarker for AD. METHODS: We analyzed overnight scalp EEGs from 35 cognitively normal healthy controls, 23 participants with mild cognitive impairment (MCI), and 19 participants with mild dementia due to AD. We examined measures of entropy in wake and sleep states, including a slow-to-fast-activity ratio of entropy (SFAR-entropy). We compared SFAR-entropy to linear EEG measures including a slow-to-fast-activity ratio of power spectral density (SFAR-PSD) and relative alpha power, as well as to cognitive function. RESULTS: SFAR-entropy differentiated dementia from MCI and controls. This effect was greatest in REM sleep, a state associated with high cholinergic activity. Differentiation was evident in the whole brain EEG and was most prominent in temporal and occipital regions. Five minutes of REM sleep was sufficient to distinguish dementia from MCI and controls. Higher SFAR-entropy during REM sleep was associated with worse performance on the Montreal Cognitive Assessment. Classifiers based on REM sleep SFAR-entropy distinguished dementia from MCI and controls with high accuracy, and outperformed classifiers based on SFAR-PSD and relative alpha power. CONCLUSION: SFAR-entropy measured in REM sleep robustly discriminates dementia in AD from MCI and healthy controls.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».