Abstracts Study Objectives The association between snoring, a very common condition that increases with age, and dementia risk is controversial. We aimed to investigate the observational and causal relationship between snoring and dementia, and to elucidate the role of body mass index (BMI). Methods Using data from 451,250 participants who were dementia-free at baseline, we examined the association between self-reported snoring and incident dementia using Cox proportional-hazards models. Causal relationship between snoring and Alzheimer's disease (AD) was examined using bidirectional two-sample Mendelian randomization (MR) analysis. Results During a median follow-up of 13.6 years, 8,325 individuals developed dementia. Snoring was associated with a lower risk of all-cause dementia (hazard ratio [HR] 0.93; 95% confidence interval [CI] 0.89 to 0.98) and AD (HR 0.91; 95% CI 0.84 to 0.97). The association was slightly attenuated after adjusting for BMI, and was stronger in older individuals, APOE ε4 allele carriers, and during shorter follow-up periods. MR analyses suggested no causal effect of snoring on AD, however, genetic liability to AD was associated with a lower risk of snoring. Multivariable MR indicated that the effect of AD on snoring was primarily driven by BMI. Conclusions The phenotypic association between snoring and lower dementia risk likely stems from reverse causation, with genetic predisposition to AD associated with reduced snoring. This may be driven by weight loss in prodromal AD. Increased attention should be paid to reduced snoring and weight loss in older adults as potential early indicators of dementia risk.

Background Sleep apnea (SA) has been linked to an increased risk of dementia in numerous observational studies; whether this is driven by neurodegenerative, vascular, or other mechanisms is not clear. We sought to examine the bidirectional causal relationships between SA, Alzheimer disease (AD), coronary artery disease (CAD), and ischemic stroke using Mendelian randomization. Methods and Results Using summary statistics from 4 recent, large genome‐wide association studies of SA (n=523 366), AD (n=94 437), CAD (n=1 165 690), and stroke (n=1 308 460), we conducted bidirectional 2‐sample Mendelian randomization analyses. Our primary analytic method was fixed‐effects inverse variance–weighted (IVW) Mendelian randomization; diagnostics tests and sensitivity analyses were conducted to verify the robustness of the results. We identified a significant causal effect of SA on the risk of CAD (odds ratio [OR IVW ]=1.35 per log‐odds increase in SA liability [95% CI=1.25–1.47]) and stroke (OR IVW =1.13 [95% CI=1.01–1.25]). These associations were somewhat attenuated after excluding single‐nucleotide polymorphisms associated with body mass index (OR IVW =1.26 [95% CI=1.15–1.39] for CAD risk; OR IVW =1.08 [95% CI=0.96–1.22] for stroke risk). SA was not causally associated with a higher risk of AD (OR IVW =1.14 [95% CI=0.91–1.43]). We did not find causal effects of AD, CAD, or stroke on risk of SA. Conclusions These results suggest that SA increased the risk of CAD, and the identified causal association with stroke risk may be confounded by body mass index. Moreover, no causal effect of SA on AD risk was found. Future studies are warranted to investigate cardiovascular pathways between sleep disorders, including SA, and dementia.

Objectives: To examine age related differences in self-reported sleep quality and their associations with health outcomes across four domains: Physical Health, Cognitive Health, Mental Health and Neural Health. Setting: Cam-CAN is a cohort study in East Anglia/England, which collected self-reported health and lifestyle questions as well as a range of objective measures from healthy adults. Participants: 2406 healthy adults (age 18-98) answered questions about their sleep quality (Pittsburgh Sleep Quality Index) and measures of Physical, Cognitive, Mental, and Neural Health. A subset of 641 individuals provided measures of brain structure. Main outcome measures: Pittsburgh Sleep Quality Index scores (PSQI) of sleep, and scores across tests within the four domains of health. Latent Class Analysis (LCA) is used to identify sleep types across the lifespan. Bayesian regressions quantify the presence, and absence, of relationships between sleep quality and health measures. Results: Better sleep is generally associated with better health outcomes, strongly so for mental health, moderately for cognitive and physical health, but not for sleep quality and neural health. Latent Class Analysis identified four sleep types: "Good sleepers" (68.6%, most frequent in middle age), "inefficient sleepers" (13.05%, most frequent in old age), "Delayed sleepers" (9.76%, most frequent in young adults) and "poor sleepers" (8.6%, most frequent in old age). There is little evidence for interactions between sleep quality and age on health outcomes. Finally, we observe u-shaped associations between sleep duration and mental health (depression and anxiety) as well as self-reported general health, such that both short and long sleep were associated with poorer outcomes. Conclusions: Lifespan changes in sleep quality are multifaceted and not captured well by summary measures, but instead as partially independent symptoms that vary in prevalence across the lifespan. Better self-reported sleep is associated with better health outcomes, and the strength of these associations differs across health domains. Notably, we do observed associations between self-reported sleep quality and white matter.

Background: Diagnostic codes can be instrumental for case identification in Alzheimer’s disease (AD) research; however, this method has known limitations and cannot distinguish between disease stages. Clinical notes may offer more detailed information including AD severity and can complement diagnostic codes for case identification. Objective: To estimate prevalence of mild cognitive impairment (MCI) and AD using diagnostics codes and clinical notes available in the electronic healthcare record (EHR). Methods: This was a retrospective study in the Veterans Affairs Healthcare System (VAHS). Health records from Veterans aged 65 years or older were reviewed during Fiscal Years (FY) 2010–2019. Overall, 274,736 and 469,569 Veterans were identified based on a rule-based algorithm as having at least one clinical note for MCI and AD, respectively; 201,211 and 149,779 Veterans had a diagnostic code for MCI and AD, respectively. During FY 2011–2018, likely MCI or AD diagnosis was defined by≥2 qualifiers (i.e., notes and/or codes)≥30 days apart. Veterans with only 1 qualifier were considered as suspected MCI/AD. Results: Over the 8-year study, 147,106 and 207,225 Veterans had likely MCI and AD, respectively. From 2011 to 2018, yearly MCI prevalence increased from 0.9% to 2.2%; yearly AD prevalence slightly decreased from 2.4% to 2.1%; mild AD changed from 22.9% to 26.8%, moderate AD changed from 26.5% to 29.1%, and severe AD changed from 24.6% to 30.7% Conclusions: The relative distribution of AD severities was stable over time. Accurate prevalence estimation is critical for healthcare resource allocation and facilitating patients receiving innovative medicines.

Sleep monitoring plays a crucial role in maintaining good health, with sleep staging serving as an essential metric in the monitoring process. Traditional methods, utilizing medical sensors like EEG and ECG, can be effective but often present challenges such as unnatural user experience, complex deployment, and high costs. Ballistocardiography (BCG), a type of piezoelectric sensor signal, offers a non-invasive, user-friendly, and easily deployable alternative for long-term home monitoring. However, reliable BCG-based sleep staging is challenging due to the limited sleep monitoring data available for BCG. A restricted training dataset prevents the model from generalization across populations. Additionally, transferring to BCG faces difficulty ensuring model robustness when migrating from other data sources. To address these issues, we introduce SleepNetZero, a zero-shot learning based approach for sleep staging. To tackle the generalization challenge, we propose a series of BCG feature extraction methods that align BCG components with corresponding respiratory, cardiac, and movement channels in PSG. This allows models to be trained on large-scale PSG datasets that are diverse in population. For the migration challenge, we employ data augmentation techniques, significantly enhancing generalizability. We conducted extensive training and testing on large datasets (12393 records from 9637 different subjects), achieving an accuracy of 0.803 and a Cohen's Kappa of 0.718. ZeroSleepNet was also deployed in real prototype (monitoring pads) and tested in actual hospital settings (265 users), demonstrating an accuracy of 0.697 and a Cohen's Kappa of 0.589. To the best of our knowledge, this work represents the first known reliable BCG-based sleep staging effort and marks a significant step towards in-home health monitoring.