Use of facial features to predict obstructive sleep apnea presence and severity
Notice bibliographique
Résumé
Journal Article Use of facial features to predict obstructive sleep apnea presence and severity Get access Carlos Flores-Mir, Carlos Flores-Mir Professor, Department of Dentistry, University of Alberta, Edmonton, AB, CanadaPart-time Private Practice limited to Orthodontics, Edmonton, AB, Canada Corresponding author. Carlos Flores-Mir, Department of Dentistry, College of Health Sciences, Faculty of Medicine and Dentistry, University of Alberta, Edmonton, 5-528 Edmonton Clinic Health Academy, Edmonton, AB, Canada, T6G 1C2. Email: cf1@ualberta.ca. https://orcid.org/0000-0002-0887-9385 Search for other works by this author on: Oxford Academic Google Scholar Fernanda R Almeida, Fernanda R Almeida Professor, Faculty of Dentistry, University of British Columbia, Vancouver, BC, CanadaPart-time Private Practice limited to Dental Sleep Disorders, Vancouver, BC, Canada https://orcid.org/0000-0002-8704-9506 Search for other works by this author on: Oxford Academic Google Scholar Rooz Khosravi, Rooz Khosravi Clinical Associate Professor of Orthodontics, Department of Orthodontics, University of Washington, Seattle, WA, USAFull-time Private Practice limited to Orthodontics, Sammamish, WA, USA Search for other works by this author on: Oxford Academic Google Scholar Siddharth Vora Siddharth Vora Associate Professor, Faculty of Dentistry, University of British Columbia, Vancouver, BC, CanadaPart-time Private Practice limited to Orthodontics, Vancouver, BC, Canada Search for other works by this author on: Oxford Academic Google Scholar Sleep, Volume 47, Issue 3, March 2024, zsae017, https://doi.org/10.1093/sleep/zsae017 Published: 19 January 2024 Article history Published: 19 January 2024 Corrected and typeset: 02 February 2024
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».