The burden of sleep disturbances and vasomotor symptoms on work productivity, activity impairment and healthcare resource use in perimenopausal and postmenopausal women
Notice bibliographique
Résumé
OBJECTIVE: To explore relationships between sleep disturbances and vasomotor symptoms (VMS) with work productivity/activity impairment (WPAI) and healthcare visits among peri- and postmenopausal women. STUDY DESIGN: We analyzed data from peri- and postmenopausal women aged 40-65 years who participated in the National Health and Wellness 2019/2021 survey (in the US; N = 27,621) and 2017/2020 survey (in France, Germany, Italy, Spain, and the UK; N = 20,220). We used generalized linear regression to calculate adjusted estimated marginal means (EMMs) to assess differences between four subgroups based on self-reported sleep disturbances and VMS. MAIN OUTCOME MEASURES: Scores on the WPAI questionnaire (higher scores indicating worse outcomes); number of healthcare visits in the previous 6 months. RESULTS: Among postmenopausal women, those with symptoms had worse WPAI outcomes than those with neither type of symptom. The highest scores (worst outcomes) were seen for women with both symptoms: the EMMs for this group in the US survey, vs. those with neither symptom, were 11.9 % vs. 9.3 % for presenteeism, 12.8 % vs. 10.2 % for work productivity impairment, and 20.3 % vs. 16.2 % for activity impairment. Corresponding estimates for Europe were 17.4 % vs. 12.9 % for presenteeism, 18.8 % vs. 14.4 % for work productivity impairment, and 28.1 % vs. 20.9 % for activity impairment. Worse WPAI outcomes were not clearly observed in perimenopausal women with symptoms vs. those with no symptoms. However, both peri- and postmenopausal women with symptoms had more previous healthcare visits than those with neither symptom, especially those with sleep disturbances irrespective of co-occurring VMS. CONCLUSIONS: Sleep disturbances and VMS were associated with worse WPAI scores and more healthcare visits in postmenopausal women, indicating a need for effective management of these symptoms among this population.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».