Mortality risk assessment using deep learning-based frequency analysis of electroencephalography and electrooculography in sleep
Notice bibliographique
Résumé
STUDY OBJECTIVES: To assess whether the frequency content of electroencephalography (EEG) and electrooculography (EOG) during nocturnal polysomnography (PSG) can predict all-cause mortality. METHODS: Power spectra from PSGs of 8716 participants, including from the MrOS Sleep Study and the Sleep Heart Health Study, were analyzed in deep learning-based survival models. The best-performing model was further examined using SHapley Additive Explanation (SHAP) for data-driven sleep-stage specific definitions of power bands, which were evaluated in predicting mortality using Cox Proportional Hazards models. RESULTS: Survival analyses, adjusted for known covariates, identified multiple EEG frequency bands across all sleep stages predicting all-cause mortality. For EEG, we found an all-cause mortality hazard ratio (HR) of 0.90 (CI: 95% 0.85 to 0.96) for 12-15 Hz in N2, 0.86 (CI: 95% 0.82 to 0.91) for 0.75-1.5 Hz in N3, and 0.87 (CI: 95% 0.83 to 0.92) for 14.75-33.5 Hz in rapid-eye-movement sleep. For EOG, we found several low-frequency effects including an all-cause mortality HR of 1.19 (CI: 95% 1.11 to 1.28) for 0.25 Hz in N3, 1.11 (CI: 95% 1.03 to 1.21) for 0.75 Hz in N1, and 1.11 (CI: 95% 1.03 to 1.20) for 1.25-1.75 Hz in wake. The gain in the concordance index (C-index) for all-cause mortality is minimal, with only a 0.24% increase: The best single mortality predictor was EEG N3 (0-0.5 Hz) with a C-index of 77.78% compared to 77.54% for confounders alone. CONCLUSIONS: Spectral power features, possibly reflecting abnormal sleep microstructure, are associated with mortality risk. These findings add to a growing literature suggesting that sleep contains incipient predictors of health and mortality.
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 | 0,002 | 0,004 |
| 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 | 0,001 |
| 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 ».