ASSESSING SLEEP QUALITY AMONG MEDICAL AND DENTAL STUDENTS IN KHYBER PAKHTUNKHWA PROVINCE OF PAKISTAN: A CROSS-SECTIONAL SURVEY
Notice bibliographique
Résumé
Objectives: To determine the prevalence of poor sleep and factors associated with it among medical and dental students in Khyber Pakhtunkhwa province of Pakistan.Materials and Methods: A population-based analytical cross-sectional study was carried out from May to September 2022, consisting of 385 undergraduate students from 21 medical and dental colleges. A non-probability convenience sampling technique was employed to assess sleep quality with the help of Pittsburgh Sleep Quality Index (PSQI). Factors associated with poor sleep were determined using binary logistic regression.Results: Among the total, 263 (68.3%) students had poor sleep quality on the PSQI scale. Poor sleep was more likely (OR [95%CI]) among females (2.3 [1.3-3.9]), age≥21years (2.5 [1.1-5.8]), pre-clinical phase (3.1 [1.4-6.5]), BDS students (2.0 [1.1-3.5]), disrupted circadian rhythm (4.2 [2.0-8.6]), and hostelites (1.7 [1.0-2.9]) at signifi cance of P<0.05. Participants’ per day sleep was 5.9hrs (SD=1.2hrs). Regarding PSQI components, the worst performance was noticed in sleep duration (M=1.60, SD=0.95). Of the total, 47 (12.2%) were taking sleep medications, 377 (97.9%) had bedtime phone usage and 242 (62.8%) had no familiarity with “Sleep hygiene”.Conclusion: Findings revealed that poor sleep was prevalent in more than half of the participants. Average sleep duration was suggestive of sleep deprivation indicating for immediate interventions to prevent its potential consequences.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».