Risk factors for peripartum depression in women with multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: Peripartum depression (PPD) is underexplored in multiple sclerosis (MS). OBJECTIVE: To evaluate prevalence of and risk factors for PPD in women with MS. METHODS: Retrospective single-center analysis of women with MS with a live birth. Prevalence of PPD was estimated with logistic regression with generalized estimating equations (GEE). GEE evaluated predictors of PPD (e.g. age, marital status, parity, pre-pregnancy depression/anxiety, antidepressant discontinuation, sleep disturbance, breastfeeding, relapses, gadolinium-enhancing lesions, and disability). Factors significant in univariable analyses were included in multivariable analysis. RESULTS: We identified 143 live births in 111 women (mean age 33.1 ± 4.7 years). PPD was found in 18/143 pregnancies (12.6%, 95% CI = 7.3-17.8). Factors associated with PPD included older age (OR 1.16, 95% CI = 1.03-1.32 for 1-year increase), primiparity (OR 4.02, CI = 1.14-14.23), pre-pregnancy depression (OR 3.70, CI = 1.27-10.01), sleep disturbance (OR 3.23, CI = 1.17-8.91), and breastfeeding difficulty (OR 3.58, CI = 1.27-10.08). Maternal age (OR 1.17, CI = 1.02-1.34), primiparity (OR 8.10, CI = 1.38-47.40), and pre-pregnancy depression (OR 3.89, CI = 1.04-14.60) remained significant in multivariable analyses. Relapses, MRI activity, and disability were not associated with PPD. CONCLUSION: The prevalence of PPD in MS appeared similar to the general population, but was likely underestimated due to lack of screening. PPD can affect MS self-management and offspring development, and prospective studies are needed.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».