Concordance and test-retest consistency of sleep biomarker-based neurodegenerative disorder profiling
Notice bibliographique
Résumé
Biomarkers that aid in early detection of neurodegeneration are needed to enable early symptomatic treatment and enable identification of people who may benefit from neuroprotective interventions. Increasing evidence suggests that sleep biomarkers may be useful, given the bi-directional relationship between sleep and neurodegeneration and the prominence of sleep disturbances and altered sleep architectural characteristics in several neurodegenerative disorders. This study aimed to demonstrate that sleep can accurately characterize specific neurodegenerative disorders (NDD). A four-class machine-learning algorithm was trained using age and nine sleep biomarkers from patients with clinically-diagnosed manifest and prodromal NDDs, including Alzheimer's disease dementia (AD = 27), Lewy body dementia (LBD = 18), and isolated REM sleep behavior disorder (iRBD = 15), as well as a control group (CG = 58). The algorithm was validated in a total of 381 recordings, which included the training data set plus an additional AD = 10, iRBD = 18, Parkinson disease without dementia (PD = 29), mild cognitive impairment (MCI = 78) and CG = 128. Test-retest consistency was then assessed in LBD = 10, AD = 9, and CG = 46. The agreement between the NDD profiles and their respective clinical diagnoses exceeded 75% for the AD, LBD, and CG, and improved when NDD participants classified Likely Normal with NDD indications consistent with their clinical diagnosis were considered. Profiles for iRBD, PD and MCI participants were consistent with the heterogeneity of disease severities, with the majority of overt disagreements explained by normal sleep characterization in 27% of iRBD, 21% of PD, and 26% of MCI participants. For test-retest assignments, the same or similar NDD profiles were obtained for 88% of LBD, 86% in AD, and 98% of CG participants. The potential utility for NDD subtyping based on sleep biomarkers demonstrates promise and requires further prospective development and validation in larger NDD cohorts.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,034 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».