Behavioral Interventions to Improve Sleep Outcomes in Individuals With Multiple Sclerosis: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Sleep disturbances are common in individuals with multiple sclerosis. The objective of this systematic review was to determine effective behavioral interventions to improve their sleep. METHODS: Literature searches were performed in December 2021 in Ovid MEDLINE, Elsevier Embase, and Web of Science, along with hand searching for grey literature and cited references. Four reviewers independently reviewed titles and abstracts (2 reviewers for each article; n = 830) and the full-text articles (n = 81). Consensus for inclusion was achieved by a fifth reviewer. Thirty-seven articles were eligible for inclusion. Four reviewers extracted relevant data from each study (2 reviewers for each article) using a standard data extraction table. Consensus was achieved for completeness and accuracy of the data extraction table by a fifth reviewer. The same 4 reviewers conducted a quality appraisal of each article to assess the risk of bias and quality of the articles, and consensus was achieved by a fifth reviewer as needed. Descriptive data were used for types of interventions, sleep outcomes, results, and key components across interventions. RESULTS: Overall, the cognitive behavioral therapy for insomnia, cognitive behavioral therapy/psychotherapy, and education/self-management support interventions reported positive improvements in sleep outcomes. Quality appraisal scores ranged from low to high, indicating potential for bias. CONCLUSIONS: Variability in the intervention type, intervention dose, outcomes used, training/expertise of interventionist, specific sample, and study quality made it difficult to compare and synthesize results. Further research is necessary to demonstrate the efficacy of most of the interventions.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».