Cross‐sectional and within‐subject seasonality and regularity of hospitalizations: A population study in mood disorders and schizophrenia
Notice bibliographique
Résumé
BACKGROUND: Seasonal peaks in hospitalizations for mood disorders and schizophrenia are well recognized and often replicated. The within-subject tendency to experience illness episodes in the same season, that is, seasonal course, is much less established, as certain individuals may temporarily meet criteria for seasonal course purely by chance. AIMS: In this population, prospective cohort study, we investigated whether between and within-subject seasonal patterns of hospitalizations occurred more frequently than would be expected by chance. METHODS: Using a compulsory, standardized national register of hospitalizations, we analyzed all admissions for mood disorders and schizophrenia in the Czech Republic between 1994 and 2013. We used bootstrap tests to compare the observed numbers of (a) participants with seasonal/regular course and (b) hospitalizations in individual months against empirical distributions obtained by simulations. RESULTS: (11) = 70.34, P < .001). Significantly more participants than would be expected by chance, had two subsequent rehospitalizations in the same 90 days in different years (7.36%, bootstrap P < .01) or after a regular, but non-seasonal interval (6.07%, bootstrap P < .001). The proportion of participants with two consecutive hospitalizations in the same season was below chance level (7.06%). CONCLUSIONS: Psychiatric hospitalizations were unevenly distributed throughout the year (cross-sectional seasonality), with evidence for regularity, but not seasonality of hospitalizations within subjects. Our data do not support the validity of seasonal pattern specifier. Season may be a general risk factor, which increases the risk of hospitalizations across psychiatric participants.
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 | 0,000 | 0,000 |
| 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 ».