High Rates of Psychiatric Comorbidity in Narcolepsy
Notice bibliographique
Résumé
OBJECTIVE: To evaluate psychiatric comorbidity patterns in patients with a narcolepsy diagnosis in the United States. METHODS: Truven Health Analytics MarketScan Research Databases were accessed to identify individuals ≥ 18 years of age with ≥ 1 ICD-9 diagnosis code(s) for narcolepsy continuously insured between 2006 and 2010 and non-narcolepsy controls matched 5:1 (age, gender, region, payer). Extensive subanalyses were conducted to confirm the validity of narcolepsy definitions. Narcolepsy subjects and controls were compared for frequency of psychiatric comorbid conditions (based on ICD-9 codes/Clinical Classification Software [CCS] level 2 categories) and psychiatric medication use. RESULTS: The final population included 9,312 narcolepsy subjects and 46,559 controls (each group, mean age = 46.1 years; 59% female). All categories of mental illness were significantly more prevalent in patients with narcolepsy versus controls, with the highest excess prevalence noted for CCS 5.8 Mood disorders (37.9% vs 13.8%; odds ratio [OR] = 4.0; 95% CI, 3.8-4.2), CCS 5.8.2 Depressive disorders (35.8% vs 13.0%; OR = 3.9; 95% CI, 3.7-4.1), and CCS 5.2 Anxiety disorders (25.1% vs 11.9%; OR = 2.5; 95% CI, 2.4-2.7). Excess prevalence of anxiety and mood disorders (narcolepsy vs controls) was higher in younger age groups versus older age groups. Psychiatric medication usage was higher in the narcolepsy group versus controls in the following categories: selective serotonin reuptake inhibitors (36% vs 17%), anxiolytic benzodiazepines (34% vs 19%), hypnotics (29% vs 13%), serotonin-norepinephrine reuptake inhibitors (21% vs 6%), and tricyclic antidepressants (13% vs 4%) (all P values < .0001). CONCLUSIONS: Narcolepsy is associated with significant comorbid psychiatric illness burden and higher psychiatric medication usage compared with the non-narcolepsy population.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».