Prevalence of premenstrual syndrome and premenstrual dysphoric disorder in India: A systematic review and meta-analysis
Notice bibliographique
Résumé
Background: The burden and impact of premenstrual syndrome (PMS) and premenstrual dysphoric disorder (PMDD) is not well characterised among Indian population. Therefore, we conducted this systematic review and meta-analysis to estimate the prevalence of PMS and PMDD among females of reproductive age group living in India. Methods: We searched PubMed, Cochrane Library, Scopus and IndMed for studies reporting the prevalence of PMS and/ or PMDD from any part of India, published from 2000 up to Aug 2020. We performed random-effects meta-analyses evaluated using I2 statistic, subgroup analyses, sensitivity analyses and assessed study quality. Estimated prevalence along with 95% confidence intervals (CIs) were reported for each outcome of interest. The quality of each study was evaluated using modified Newcastle Ottawa Scale (NOS). This review was conducted following the standard of Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) and Meta-Analysis of Observational Studies in Epidemiology (MOOSE) guidelines. The protocol was registered prospectively in PROSPERO (CRD42020199787). Results: Our search identified 524 citations in total, of which 25 studies (22 reported PMS, and 11 reported PMDD) with 8542 participants were finally included. The pooled prevalence of PMS and PMDD were 43% (95% CI: 0.35-0.50) and 8% (95% CI: 0.60-0.10) respectively. The estimated prevalence of PMS in adolescence was higher and account to be 49.6% (95% CI: 0.40-0.59). The heterogeneity for all the estimates was very high and could be explained through several factors involved within and between studies. Conclusion: This study identified a substantially high prevalence of PMS and PMDD in India. To identify potentially related factors, more focused epidemiological research is warranted. However, noticing the fact of significant prevalence and its potential impact on the population, stakeholders and policymakers need to address this problem at the community and individual level.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,019 | 0,038 |
| Bibliométrie | 0,010 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».