Insights into maternal sleep: a large-scale longitudinal analysis of real-world wearable device data before, during, and after pregnancy
Notice bibliographique
Résumé
BACKGROUND: Current understanding of pregnancy and postpartum sleep is driven by limited lab or self-reported data. Our goal is to use consumer wearable devices through an observational study to reveal longitudinal, real-world sleep patterns in this population. METHODS: We analysed retrospective, de-identified Fitbit device data from 2540 users in the United States and Canada who met strict wear-time requirements (≥80% daily usage for ≥80% of the time periods of interest [12 weeks prepregnancy, throughout pregnancy, and 20 weeks immediately postpartum]). We tracked sleep time and stages using Fitbit devices. FINDINGS: Pregnant participants experienced a peak in total sleep time (TST) at 10 weeks (447.6 ± 47.6 min), exceeding their prepregnancy average (425.3 ± 43.5 min) before declining throughout pregnancy. This initial TST increase, mirrored by time in bed (TIB), was driven by more light sleep. Deep and rapid-eye movement sleep decreased significantly throughout pregnancy, with maximum reductions of 19.2 ± 13.8 min and 9.0 ± 19.2 min respectively by pregnancy end (two-sided t-test, p < 0.001 for both). Sleep efficiency also slightly declined during pregnancy (median drop: 88.3%-86.8%). Postpartum, TIB remained below prepregnancy levels by 14.7 ± 45.7 min one year after birth and 15.2 ± 47.7 min at 1.5 years after birth. INTERPRETATION: This study revealed a previously unquantified initial increase in sleep followed by decreases in both quantity and quality as pregnancy progresses. Sleep deficits persist for at least 1.5 years postpartum. These quantified trends can assist clinicians and patients in understanding what to expect through their pregnancy and postpartum journey. FUNDING: Google, LLC.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 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 ».