Prevalence and Polysomnographic Correlates of Insomnia Comorbid with Medical Disorders
Notice bibliographique
Résumé
STUDY OBJECTIVES: To determine the prevalence and polysomnographic correlates of insomnia in subjects with self-reported medical disorders. DESIGN: Prospective cross-sectional study. PARTICIPANTS: Community-based sample of 3282 men and women aged 18 to 65 years old, with a subset who underwent polysomnography. MEASUREMENTS: Self-reported measures of sleep habits and current health, and polysomnographic sleep variables. RESULTS: The prevalence of insomnia was 21.4%. The adjusted odds of insomnia were 2.2 times as high in persons with any medical disorders as in those without medical disorders. Specifically, odds of insomnia were higher in people with heart disease (OR = 1.6 [95% CI: 1.2-23], P = 0.004), hypertension (1.5 [12-18], P < 0.001), diabetes (1.4 [105-20], P = 0.04), stomach ulcers (2.1 [1.6-2.7], P < 0.001), arthritis (1.8 [1.5-2.2], P < 0.001), migraine (1.8 [1.5-2.1], P < 0.001), asthma (1.6 [1.3-2.0], P = 0.04), COPD (1.9 [1.5-2.5], P < 0.001), neurological problems (2.0 [1.5-2.7], P < 0.001), and menstrual problems (1.7 [1.3-2.1], P < 0.001) than in people without these disorders. Prevalence of insomnia increased with increasing number of medical disorders. However, polysomnographic sleep was not significantly different in persons with or without medical disorders for most disorders assessed. CONCLUSION: This large population-based study suggests that insomnia is highly prevalent in diverse chronic medical disorders. However, polysomnographic evidence of disturbed sleep is present in only a subset of comorbid insomnia populations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».