Menstrual cycle symptoms are associated with nutrient intake: Results from network analysis from an online survey
Notice bibliographique
Résumé
Background: Less is understood about female’s nutrient intake’s impact on the severity of the menstrual cycle (MC) symptoms, which consequently interferes with their life quality. Objectives: The goal of this study is to look at the relationship between female nutrient consumption and the severity of MC symptoms to better understand how food affects women’s quality of life during their MCs. Design: To investigate this impact among healthy adult women, a self-administered, cross-sectional online questionnaire was obtained from 204 regularly menstruating women aged between 18 and 40. Methods: The questionnaire included questions on sociodemographic characteristics, a semi-food frequency questionnaire (FFQ), Arabic Premenstrual Syndrome Scale (A-PMS-S) for MC symptoms. Results: Results showed intake of polyunsaturated fatty acids (PUFAs) was associated with lower no to mild versus moderate to severe physical symptoms (odds ratio (OR): 0.71, 95% confidence interval (CI): 0.59–0.85; p < 0.001), psychological symptoms (OR: 0.87, 95% CI: 0.77–0.99; p < 0.05), and functioning symptoms (OR: 0.92, 95% CI: 0.83–1.02; p > 0.1). Thiamine prevented psychological symptoms (OR: 0.02, 95% CI: 0.02–0.02; p < 0.001), physiological symptoms (OR: 0.59, 95% CI: 0.58–0.60; p < 0.001), and functioning symptoms (OR: 0.47, 95% CI: 0.47–0.48; p < 0.001). Saturated fat, iron, and niacin intakes increased the risk of experiencing MC psychological symptoms. Conclusion: Our findings suggest that MC symptoms were correlated with some nutrient intake from food sources, which is considered an external controllable factor more than demographic characteristics. Therefore, women should be aware of the type of food consumed during their monthly MC phase.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| 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 ».