Sleep Bruxism: Mapping Potential Direct and Indirect Risk Pathways in EPISONO Adult Population‐Based Study
Notice bibliographique
Résumé
AIM: To explore the direct and indirect pathways through which sociodemographic, psychological, behavioural, and clinical factors influence sleep bruxism (SB). METHODS: This cross-sectional study was conducted with a sample of 686 adults (mean age of 50.1 years; 380 female and 306 male), from a total of 712 individuals from the Sao Paulo Epidemiological Sleep Study (EPISONO) follow performed in 2015. SB was assessed using self-report, overnight polysomnography (PSG-based), and combined methods. Sociodemographic, psychological, behavioural and clinical factors were assessed. Structural Equation Modelling was used to examine the pathways between potential risk factors and SB. RESULTS: From an initial sample of 1042, 712 returned for follow-up and 686 individuals were eligible based on the SB outcomes evaluated and having undergone PSG. The SB self-reported prevalence was 17.1%, 30.5% presented PSG-based SB and 7.4% in combination of methods (self-report+PSG). Sleep bruxism (assessed by all methods) was directly associated with higher levels of insomnia and younger age. Higher socioeconomic status was directly associated with self-reported SB, whereas PSG-based and self-report+PSG SB were associated with increased obstructive sleep apnea and smoking. Regarding indirect effects, elevated anxiety and depressive symptoms indirectly impacted all forms of SB via increased insomnia levels. CONCLUSIONS: Our findings highlight distinct and overlapping pathways of SB. Insomnia and younger age consistently predicted SB, while psychological factors indirectly impacted SB via insomnia. Demographic, behavioural, and clinical factors showed direct associations that varied according to the assessment method.
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 | 0,003 | 0,005 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».