Association of sleep timing and sleep variability with health-related outcomes in a sample of Brazilian adolescents
Notice bibliographique
Résumé
OBJECTIVES: This cross-sectional study aimed to examine the relationships of sleep timing and sleep variability with depressive symptoms, health-related quality of life (HRQoL), daytime sleepiness, and body mass index (BMI) in adolescents. METHODS: = 571, 56% female, 16.3 ± 1.0 years) had their sleep examined by actigraphy, their anthropometrics assessed, and answered a survey. Sleep timing was examined by combining groups of median-dichotomized onset and wakeup times (early onset and early wakeup; early onset and late wakeup; later onset and early wakeup; later onset and later wakeup); sleep variability was based on within-participant standard deviations of onset and wakeup; and sleep duration as the length of time between onset and wakeup. The sleep variables were separated for weekdays and weekend. Mixed linear models were fitted to compare each sleep variable with health-related outcomes. RESULTS: Higher values of daytime sleepiness were observed in adolescents from the late-early and late-late timing group during the week. Greater sleep midpoint and wakeup variability on weekdays were related with higher daytime sleepiness. Adolescents in the late-late and early-late groups showed higher daytime sleepiness. Increased of all sleep variability variables was related with greater daytime sleepiness. Higher depressive symptoms scores were found among adolescents in the late-early subgroup and with the increase of sleep variability. Participants with greater sleep onset variability and sleep midpoint variability reported less HRQoL. CONCLUSIONS: Not only sleep duration, but sleep timing and variability also relate to health outcomes, and should be addressed by policies and interventions among adolescents.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».