P005 Comparison of auto-detected REM sleep without Atonia before- and after-editing
Notice bibliographique
Résumé
Abstract Introduction This study evaluates the impact of editing on auto-detection of REM sleep without atonia (RSWA) in three cohorts with different expected frequencies of abnormal RSWA. Methods Participants underwent in-home Sleep Profiler recordings with chin and arm EMG. Twenty-seven were diagnosed with REM sleep behavior disorder (RBD: women = 26%, age = 67+/-9.7), 45 with mild cognitive impartment (MCI = 39) or Alzheimer’s disease (AD = 6) (MCI/AD: women = 56%, age = 72+/-8.5) and 27 controls (CG: women = 70%, age = 64+/-11.9). Recordings were auto-scored for stage REM and phasic- or tonic-RSWA (“Auto”) using previously described procedures and then visually edited (“Edited”). Abnormal RSWA densities were assigned based on previously determined auto-detection thresholds for the Chin (>15%), Arm (>12.5%) and chin and/or arm (“Any” > 25%). Results In the RBD group, 18/22 (82%) participants were identified with abnormal Auto Chin-RSWA vs. Edited = 21/26 (81%), while 20/24(83%) had abnormal Auto Arm-RSWA vs. Edited = 24/27 (89%), and 18/24 (75%) had abnormal Any-RSWA vs. Edited = 23/27 (85%). For the MCI/AD cohort, 9/45 (20%) had abnormal Auto Chin-RSWA vs. edited = 7/45 (16%), while 4/45 had abnormal auto Arm-RSWA (9%) vs. Edited = 2/45 (4%), and 6/45 (13%) had Auto and Edited abnormal Any-RSWA. For the control group, Auto and Edited Chin-RSWA densities were abnormal in 3/27 (11%) and 4/27 (15%), while 4/27 (15%) had abnormal Auto Arm-RSWA vs. Edited = 3/27 (11%), and abnormal Auto Any-RSWA was observed in 2/27 (7%) vs. Edited = 3/27 (11%). Conclusions The accuracy of the auto-scoring suggests a foundational base that could help limit between-site variability during large-scale RBD screening in future multicenter clinical trials and population-based research studies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».