A Good Night’s Sleep in Malta in 2023: A Cross-sectional Study Exploring Sleep Quality and its Determinants via Social Media
Notice bibliographique
Résumé
Background: Sleep quality is affected by a plethora of different factors, although its relationship with chronic diseases is still unclear. This study explored perceived sleep quality and its associated determinants among the adult population of Malta. Study Design: A cross-sectional study. Methods: An anonymous online survey was distributed through social media targeting adults residing in Malta. Data pertaining to socio-demographic, medical history, lifestyle, well-being, sleep, and daytime sleepiness were gathered, and descriptive, univariant, and multiple binary logistic regression modelling analyses were performed. Results: A total of 855 adults responded, out of whom 35.09% (95% confidence interval [CI]: 31.90, 38.41) reported sleep difficulties, especially females (81.33%; 95% CI: 76.36, 85.49), while 65.33% (95% CI: 59.61, 70.65) reported suffering from chronic disease(s). Sleep problems were positively associated with multimorbidity (odds ratio [OR]: 2.17; 95% CI: 1.38, 3.40; P=0.001), sleeping<6 hours (OR: 3.79; 95% CI: 1.54, 9.30; P=0.040), and the presence of moderate anxiety symptoms (OR: 1.99; 95% CI: 1.10, 3.59; P=0.020). They were also related to the presence of mild (OR: 2.25; 95% CI: 1.46, 3.45; P=0.001), moderate (OR: 2.40; 95% CI: 1.24, 4.64; P=0.010), and moderately severe (OR: 15.35; 95% CI: 4.54, 31.86; P=0.001) depressive symptoms after adjusting for confounders. Conclusion: Chronic conditions, including anxiety and depression, along with short sleep duration, appear to contribute to poor sleep quality in Malta. A multifaceted approach is required to deal with the issue holistically and safeguard the health of current and future generations.
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 | 0,030 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».