Factors Associated with Migraine in the General Population of Spain: Results from the European Health Survey 2014
Notice bibliographique
Résumé
OBJECTIVE: To identify the modifiable and nonmodifiable variables that are associated with and might moderate the presence of migraine in the general population. DESIGN: Nationally representative cross-sectional survey. SETTING: Noninstitutionalized population of Spain. SUBJECTS: Individuals aged 15 years or older (N = 22,842). METHODS: A secondary analysis of data from the second wave of the European Health Interview Survey conducted in Spain (2014/2015). We estimated the prevalence of migraine and its distribution according to the study variables, and then built a multivariate logistic model encompassing age, sex, depression severity, chronic anxiety, body mass index, physical activity, smoking status, alcohol use, and perceived social support to predict migraine. RESULTS: The one-year prevalence of migraine was 8%. The final multivariate model (Wald χ2 = 693.00, df = 15, P < 0.001) retained depression severity, chronic anxiety, exercising several times a month or week, and alcohol use as predictors of migraine (odds ratios = 2.1-3.5 for positive associations, odds ratios = 0.4-0.9 for negative associations). CONCLUSIONS: Raising awareness among clinicians regarding the fact that many of the variables that potentially contribute to the presence of migraine are modifiable (e.g., psychological problems and lifestyle behaviors) might intensify resources dedicated to assessing and impacting these factors in order to potentially prevent the frequency and severity of migraine.
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 | 0,017 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».