Clinical correlates of sleep problems in systemic sclerosis: the prominent role of pain
Notice bibliographique
Résumé
OBJECTIVE: Problems with sleep are common in patients with SSc and impact daily function. Little research, however, has examined factors associated with sleep disruption in SSc. Therefore, the objective of this study was to investigate socio-demographic and medical factors associated with sleep disruption in SSc. METHODS: Cross-sectional study of 70 patients from one Canadian Scleroderma Research Group site who were assessed with a 100-mm sleep disruption visual analogue scale (VAS). Patients also completed measures of pain and depressive symptoms and underwent clinical histories and medical examinations. Pearson's correlations were used to assess bivariate association of socio-demographic and medical variables with sleep VAS scores. Multivariable associations of socio-demographic (Step 1) and medical (Step 2) variables with sleep VAS scores were assessed using hierarchical multiple linear regression. RESULTS: The mean (s.d.) sleep disruption VAS score was 38.5 (29.9). In bivariate analyses, sleep disruption was associated with marital status (r = -0.24, P = 0.042), smoking (r = 0.27, P = 0.025), gastrointestinal symptoms (r = 0.27, P = 0.023), breathing problems (r = 0.31, P = 0.009), pain (r = 0.53, P < 0.001) and symptoms of depression (r = 0.34, P = 0.004). In multivariate analysis, only marital status (standardized β = -0.24, P = 0.049) and pain (standardized β = 0.50, P < 0.001) were significantly associated with sleep disruption. CONCLUSION: Sleep disruption scores were as high in SSc as in RA and higher than in the general population. Pain was robustly associated with sleep disruption. Additional research is needed on sleep in SSc so that well-informed sleep interventions can be developed and tested.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».