Conditional Probability of Observing a Poor Night According to Sleep Depth Among Individuals With Insomnia
Notice bibliographique
Résumé
The present study aims at verifying whether the conditional probability of observing a poor night after one, two, or three consecutive poor nights is associated with sleep depth or sleep self-estimation. Online sleep diaries were collected for 21 consecutive nights from 30 adults with insomnia. Participants completed seven consecutive nights of home polysomnography starting on night 1, 8, or 15 of the sleep diary. The conditional probabilities of observing a poor night after one, two, or three consecutive poor nights were computed for each participant. Sleep depth was measured with the Odds Ratio Product. K-Means Cluster Analyses were computed to derive sleep patterns. Pearson's correlation tests and ANOVAs were conducted to verify the existence of relations with conditional probabilities of observing poor nights and characterise identified sleep patterns. The conditional probability of observing a poor night after one, two, or three consecutive poor nights increased with objective and self-reported WASO, self-reported TWT, and sleepiness before bedtime. The probability increased on sleep depth; thus, the lack of sleep depth was more pronounced. Conversely, the probability increased as subjective SE decreased. Two sleep patterns in insomnia were derived from sleep diaries. Individuals for whom the conditional probability of having consecutive poor nights is high and constant tend to exhibit a reduced sleep depth. Cortical and physiological arousal might play a key role in the development and maintenance of sleep patterns in insomnia. Sleep self-estimation does not appear to be influenced by the conditional probability of experiencing a poor night after consecutive poor nights.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».