Refining Sleep‐Disordered Breathing Annotations Across Multiple Public Sleep Study Datasets
Notice bibliographique
Résumé
Polysomnography annotations in Sleep Heart Health Study (SHHS), Osteoporotic Fractures in Men Study (MrOS), and Multi-Ethnic Study of Atherosclerosis (MESA) scored apneas and hypopneas solely by flow reduction rather than following the American Academy of Sleep Medicine's (AASM) comprehensive criteria. To address this, we developed a standardized annotation pipeline that integrates sleep staging, oxygen desaturation, and arousal events in accordance with AASM guidelines. This retrospective study analyzed polysomnography data from SHHS1 (n = 5793), SHHS2 (n = 2651), MrOS1 (n = 2907), MrOS2 (n = 1026), MESA (n = 2054), and Korea Image-based Sleep Study (KISS) (n = 7745). We compared reported apnea-hypopnea indices (AHIs) with those derived from original annotations and recalculated values adjusted for sleep stage, desaturation, and arousal. The impact of precise annotation was demonstrated by training two deep learning models, one with original and the other with refined annotations, and comparing their performance in classifying obstructive sleep apnea (OSA) severity. AHIs from original annotations consistently overestimated reported values in SHHS, MrOS, and MESA, with mean absolute errors (MAEs) ranging from 10.3 to 23.6 events/h. After refining the annotations, MAEs were reduced significantly to 0.56-1.29 events/h. KISS, adhering to contemporary scoring guidelines, exhibited high baseline accuracy with an MAE of 0.6 events/h and required no additional refinement. With refined annotations, OSA severity classification F1 score rose from 0.5 to 0.69. Our standardized approach improves cross-cohort consistency, supports both clinical research and AI-based analysis, and enables more reliable use of existing sleep datasets in accordance with current clinical guidelines.
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 | 0,010 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».