Examining the influence of built environment on sleep disruption
Notice bibliographique
Résumé
Background: Modifying aspects of the built environment may be an effective strategy for population-level improvements to sleep. However, few comprehensive evaluations of built environment and sleep have been completed. Methods: We conducted a cross-sectional study among participants of the British Columbia Generations Project (BCGP) who self-reported sleep duration (n = 28,385). Geospatial measures of light-at-night (LAN), greenness, air pollution (PM 2.5 , NO 2 , SO 2 ), and road proximity were linked to participant baseline residential postal codes. Logistic regression models, adjusted for age and sex, were used to estimate the association between these factors and self-reported sleep duration (<7 vs. ≥7 hours). Results: Interquartile range (IQR) increases in LAN intensity, greenness, and SO 2 were associated with 1.04-fold increased (95% CI = 1.02, 1.07), 0.95-fold decreased (95% CI = 0.91, 0.98), and 1.07-fold increased (95% CI = 1.03, 1.11) odds, respectively, of reporting insufficient sleep (i.e., <7 hours per night). Living <100 m from a main roadway was associated with a 1.09-fold greater odds of insufficient sleep (95% CI = 1.02, 1.17). Results were unchanged when examining all factors together within a single regression model. In stratified analyses, associations with SO 2 were stronger among those with lower reported annual household incomes and those living in more urban areas. Conclusions: BCGP’s rich data enabled a comprehensive evaluation of the built environment, revealing multiple factors as potentially modifiable determinants of sleep disruption. In addition to longitudinal evaluations, future studies should pay careful attention to the role of social disparities in sleep health.
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 | 0,001 |
| 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) | 0,001 | 0,005 |
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 ».