Inside the Fire. Exploring the Impact of Anxiety, Depression, and Sleep Disturbances on Pain Perception in Burning Mouth Syndrome: A Cross‐Sectional Study of 200 Patients
Notice bibliographique
Résumé
BACKGROUND: This study investigates how anxiety, depression, and sleep disturbances affect pain perception and clinical impairment in burning mouth syndrome (BMS). METHODS: A cross-sectional survey was conducted on 200 BMS patients. The Hamilton Rating Scale for Depression (HAM-D) and Anxiety (HAM-A), Epworth Sleepiness Scale (ESS), Pittsburgh Sleep Quality Index (PSQI), Visual Analogue Scale (VAS), and short form of McGill pain questionnaire (SF-MPQ) were used. The Clinical Global Impressions Severity of Illness (CGI-S) assessed illness severity, and comorbidities were analyzed via the Age-Adjusted Charlson Comorbidity Index (AACCI). Correlation tests and path analyses explored relationships among psychological factors, sleep quality, and BMS severity. RESULTS: Pain intensity (VAS) correlated significantly with anxiety (HAM-A, ρ = 0.25, p < 0.05), depression (HAM-D, ρ = 0.15, p < 0.05), and shorter sleep duration (ρ = -0.19, p < 0.05). Path analyses revealed that anxiety significantly increased pain intensity (β = 0.24, p < 0.05), indirectly influencing clinical severity (CGI-S: β = 0.07, p < 0.05). Depression strongly impacted poor sleep quality (PSQI, β = 0.33, p < 0.05). Shorter sleep duration affected both sleep quality (β = -0.46, p < 0.05) and clinical outcomes (CGI-S, β = -0.17, p < 0.05). Pain quality (SF-MPQ) showed weaker, non-significant associations with psychological factors. CONCLUSIONS: Anxiety amplifies pain intensity, while depression worsens sleep quality, exacerbating clinical outcomes. Shorter sleep duration further contributes to worse outcomes. These findings emphasize the need for tailored interventions targeting psychological distress and sleep disturbances to improve pain management and quality of life in BMS patients.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».