MétaCan
Menu
Retour à la cohorte
Enregistrement W4362014532 · doi:10.47611/jsrhs.v11i3.3662

Sleep EEG as a Tool for Exploring Mechanisms of Schizophrenia

2022· article· en· W4362014532 sur OpenAlexaff
Seowon Kim, Haykaz Mangardich

Notice bibliographique

RevueJournal of Student Research · 2022
Typearticle
Langueen
DomaineNeuroscience
ThématiqueSleep and Wakefulness Research
Établissements canadiensEarl Haig Secondary School
Organismes subventionnairesnon disponible
Mots-clésNon-rapid eye movement sleepElectroencephalographySynaptic pruningSchizophrenia (object-oriented programming)PsychologyDelta waveSleep (system call)PsychosisNeuroimagingAudiologyEye movementSleep spindleSlow-wave sleepNeurosciencePsychiatryMedicineComputer science

Résumé

récupéré en direct d'OpenAlex

Despite the extensive neuroimaging research investigating the neurodevelopmental mechanisms of schizophrenia, to date we have a limited understanding about how schizophrenia develops. Feinberg’s (1982) popular neurodevelopmental model proposes that excessive synaptic pruning during adolescence as indexed by the loss of delta brain-wave activity (EEG) in non-rapid eye movement (NREM) sleep may underlie the pathophysiology to schizophrenia. Several studies have shown that the amplitude and incidence of delta wave EEG are disrupted in stage 3 sleep in schizophrenia. However, little research has investigated sleep EEG in adolescents who are at high risk for transitioning into psychosis. The current paper reviews recent longitudinal findings documenting the normal rate of delta EEG changes over the childhood and adolescent periods and proposes a sleep EEG study that can help inform how schizophrenia develops in adolescence.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,052
Score d'incertitude au seuil0,612

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,311
Tête enseignante GPT0,448
Écart entre enseignants0,137 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Student ResearchMême sujetSleep and Wakefulness ResearchTravaux en français237 207