Sleep Disturbance in Individuals at Clinical High Risk for Psychosis
Notice bibliographique
Résumé
INTRODUCTION: Disturbed sleep is a common feature of psychotic disorders that is also present in the clinical high risk (CHR) state. Evidence suggests a potential role of sleep disturbance in symptom progression, yet the interrelationship between sleep and CHR symptoms remains to be determined. To address this knowledge gap, we examined the association between disturbed sleep and CHR symptoms over time. METHODS: Data were obtained from the North American Prodrome Longitudinal Study (NAPLS)-3 consortium, including 688 CHR individuals and 94 controls (mean age 18.25, 46% female) for whom sleep was tracked prospectively for 8 months. We used Cox regression analyses to investigate whether sleep disturbances predicted conversion to psychosis up to >2 years later. With regressions and cross-lagged panel models, we analyzed longitudinal and bidirectional associations between sleep (the Pittsburgh Sleep Quality Index in conjunction with additional sleep items) and CHR symptoms. We also investigated the independent contribution of individual sleep characteristics on CHR symptom domains separately and explored whether cognitive impairments, stress, depression, and psychotropic medication affected the associations. RESULTS: Disturbed sleep at baseline did not predict conversion to psychosis. However, sleep disturbance was strongly correlated with heightened CHR symptoms over time. Depression accounted for half of the association between sleep and symptoms. Importantly, sleep was a significant predictor of CHR symptoms but not vice versa, although bidirectional effect sizes were similar. DISCUSSION: The critical role of sleep disturbance in CHR symptom changes suggests that sleep may be a promising intervention target to moderate outcome in the CHR state.
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».