Validation of the Insomnia Severity Index in Primary Care
Notice bibliographique
Résumé
BACKGROUND: Although insomnia is a prevalent complaint with significant consequences on quality of life, health, and health care utilization, it often remains undiagnosed and untreated in primary care settings. Brief, reliable, and valid instruments are needed to facilitate screening for insomnia in general practice. This study examined psychometric indices of the Insomnia Severity Index (ISI) to identify individuals with clinically significant insomnia in primary care settings. METHODS: A sample of 410 patients recruited from 6 general medical clinics completed the ISI before their appointment with a primary care physician. A subsample of 101 individuals also completed a semistructured clinical interview by telephone to determine the presence or absence of an insomnia disorder. Reliability and validity indices were computed, as was the discriminative capacity of each individual item. Convergence between ISI total score and the diagnosis derived from the interview was investigated. Receiver operator characteristic analyses were used to determine the optimal ISI cutoff score that correctly identified individuals with an insomnia disorder. RESULTS: ISI internal consistency was excellent (Cronbach α = 0.92), and each individual item showed adequate discriminative capacity (r = 0.65-0.84). The area under the receiver operator characteristic curve was 0.87 and suggested that a cutoff score of 14 was optimal (82.4% sensitivity, 82.1% specificity, and 82.2% agreement) for detecting clinical insomnia. Agreement between the ISI cut score and the diagnostic interview was moderate (κ = 0.62). CONCLUSIONS: These findings suggest that the ISI is a valid screening instrument for detecting insomnia among patients consulting in primary care settings.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».