Sleep quality patterns in patients with heart failure: a person-centred latent class analysis from a secondary analysis of the MOTIVATE-HF trial
Notice bibliographique
Résumé
OBJECTIVES: To identify distinct sleep quality patterns among patients with heart failure (HF) using a person-centred approach and explore demographic and clinical predictors of these patterns. DESIGN: Secondary analysis of baseline cross-sectional data from the MOTIVATE-HF (MOTIVATional intErviewing to improve self-care in Heart Failure patients) randomised controlled trial. Latent class analysis (LCA) was applied to Pittsburgh Sleep Quality Index (PSQI) component scores to identify distinct subgroups of patients. Demographic, clinical and psychological variables were examined as potential predictors of cluster membership. SETTING: Three healthcare settings in Italy: hospital, outpatient and community-based care. PARTICIPANTS: 510 adult patients diagnosed with HF (New York Heart Association (NYHA) class II-IV) with poor self-care were included. Patients with severe cognitive impairment or recent myocardial infarction were excluded. PRIMARY AND SECONDARY OUTCOME MEASURES: Primary outcome: Sleep quality, measured using the PSQI, analysed through LCA to identify sleep disturbance clusters. Secondary outcomes included demographic and clinical characteristics predicting cluster membership. RESULTS: The mean age was 72.4 years (SD=12.3), with most participants married or partnered (62%) and retired or unemployed (83.9%). Mild comorbidities were present in 53.3% of the sample (mean Charlson Comorbidity Index (CCI)=2.91, SD=1.98), and 61.4% were classified in NYHA class II. Three sleep quality clusters emerged: (1) adequate sleep duration but disturbed sleep and daytime dysfunction (46.1%); (2) severe sleep problems with low use of sleeping medications (25.3%); and (3) minor sleep problems with mild disturbances (28.6%). Patients in Cluster 1 were older (mean age=73.3 years), had lower physical and mental quality of life (Short-Form 12 Physical Component Summary=33.66; Mental Component Summary=42.65), and higher anxiety (Hospital Anxiety and Depression Scale-A=8.82). Patients in Cluster 2 had more severe comorbidities (CCI=3.55), poorer cognitive function (Montreal Cognitive Assessment (MoCA)=21.5) and lower ejection fraction (mean=40%). Patients in Cluster 3 were younger (mean age=68.2 years), had better cardiac function (ejection fraction=46.6%), better cognitive status (MoCA=24.5) and the highest quality of life (Kansas City Cardiomyopathy Questionnaire=63.1). CONCLUSIONS: Patients with HF exhibit heterogeneous sleep quality patterns with specific clinical and psychological profiles. These findings highlight the need for personalised interventions, systematic sleep assessments and the integration of cardiac rehabilitation strategies into standard HF care. TRIAL REGISTRATION NUMBER: NCT02894502.
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 | 0,008 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».