Health status and health‐related behaviors in epilepsy compared to other chronic conditions—A national population‐based study
Notice bibliographique
Résumé
PURPOSE: The negative impact of epilepsy is disproportionate to its prevalence. Our objectives were to determine if health-related behaviors (HRBs) and health status differ between patients with epilepsy, migraine, or diabetes. METHODS: The 2001-2005 Canadian Community Health Survey (N = 400,055) was used to explore health status and HRBs in patients with epilepsy, migraine, and diabetes and in the general population. Weighted estimates of association were produced as proportions with 95% confidence intervals (CIs). Logistic regression was used to explore the association between demographic variables and HRBs in epilepsy. RESULTS: The prevalence of active epilepsy, migraine, and diabetes was 0.6%, 8.4%, and 3.8%, respectively. Those with epilepsy and diabetes were more likely than migraineurs to perceive their health as poor and to be physically inactive. Obesity and comorbidities were more likely in all chronic conditions studied compared to the general population. Those with epilepsy or migraine were significantly more likely to smoke compared to the general population or to those with diabetes. Those with epilepsy were more likely to ever have consumed more than 12 alcoholic drinks per week. Health monitoring did not differ between groups. In the logistic regression analysis, epilepsy was associated with physical inactivity and lower alcohol consumption in the past 12 months compared to the general population. DISCUSSION: Our study demonstrated that those with epilepsy have a poorer pattern of HRBs and poorer health status compared to the general population. Screening for and managing comorbidities, and promoting exemplary HRBs, should improve overall health and quality-of-life in those with epilepsy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».