Depressive symptoms account for differences between self‐reported versus polysomnographic assessment of sleep quality in women with myofascial <scp>TMD</scp>
Notice bibliographique
Résumé
Summary Patients with temporomandibular disorder ( TMD ) report poor sleep quality on the Pittsburgh Sleep Quality Index ( PSQI ). However, polysomnographic ( PSG ) studies show meagre evidence of sleep disturbance on standard physiological measures. The present aim was to analyse self‐reported sleep quality in TMD as a function of myofascial pain, PSG parameters and depressive symptomatology. PSQI scores from 124 women with myofascial TMD and 46 matched controls were hierarchically regressed onto TMD presence, ratings of pain intensity and pain‐related disability, in‐laboratory PSG variables and depressive symptoms (Symptoms Checklist‐90). Relative to controls, TMD cases had higher PSQI scores, representing poorer subjective sleep and more depressive symptoms (both P < 0·001). Higher PSQI scores were strongly predicted by more depressive symptoms ( P < 0·001, R 2 = 26%). Of 19 PSG variables, two had modest contributions to higher PSQI scores: longer rapid eye movement latency in TMD cases ( P = 0·01, R 2 = 3%) and more awakenings in all participants ( P = 0·03, R 2 = 2%). After accounting for these factors, TMD presence and pain ratings were not significantly related to PSQI scores. These results show that reported poor sleep quality in TMD is better explained by depressive symptoms than by PSG ‐assessed sleep disturbances or myofascial pain. As TMD cases lacked typical PSG features of clinical depression, the results suggest a negative cognitive bias in TMD and caution against interpreting self‐report sleep measures as accurate indicators of PSG sleep disturbance. Future investigations should take account of depressive symptomatology when interpreting reports of poor sleep.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».