P108 Accuracy of auto-scored sleep for characterization of neurodegenerative disorder risk
Notice bibliographique
Résumé
Abstract Introduction This study investigated the impact of visual editing of sleep recordings for use in predicting neurodegenerative disorder (NDD) risk. Methods All participants underwent in-home Sleep Profiler studies. Forty-four were diagnosed with mild cognitive impartment (MCI = 40) or Alzheimer’s disease (AD = 4)(MCI/AD: 55% women, 72.6+/-8.6 years), 26 with REM sleep behavior disorder (RBD: women = 27%, age = 67+/-9.8), and 29 were controls (NC: women = 69%, age = 63+/-11.5). A 4-class machine learning algorithm used age plus eight sleep biomarkers to assign NDD risk probabilities. Records with CG-assigned probabilities >70% were labeled Probably-Normal, and from 45-70% Likely-Normal. Similar thresholds were used to assign Likely- or Probably-Abnormal. NDD risk characterizations were generated based on auto-scoring (“auto”), and again after the recordings were visually edited for accuracy (“edited”). Results Comparing the auto- vs. edited-NDD classifications in the MCI/AD group, the same NDD risk classifications were observed in 91% (39/43), with 2 cases shifting from Likely-Normal to Probably-Normal, one shifted from Likely-AD to Likely-Normal with AD Indications, and one changed from Probably-AD to Likely-AD. The same NDD risk classifications were observed in 81% (21/26) of the RBD cases, 3 shifted from Probably-Abnormal to Likely-Abnormal, one shifted from Likely-Normal to Probably-Normal, and one changed from Likely-Abnormal to Likely-Normal. The same NDD risk classifications were observed in 86% of the NC group, with 4 cases shifting from Likely-Normal to Probably-Normal. Conclusions These findings suggest that the likelihood of a gross misclassification of NDD risk resulting from auto-detected sleep biomarkers is relatively low with inconsistencies directed toward slightly increased NDD risk classifications.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».