Sleep characteristics and health-related quality of life in 9- to 11-year-old children from 12 countries
Notice bibliographique
Résumé
Introduction: Previous studies have linked short sleep duration, poor sleep quality, and late sleep timing with lower health-related quality of life (HRQoL) in children. However, almost all studies relied solely on self-reported sleep information, and most studies were conducted in high-income countries. To address these gaps, we studied both device-measured and self-reported sleep characteristics in relation to HRQoL in a sample of children from 12 countries that vary widely in terms of economic and human development. Methods: The study sample included 6,626 children aged 9-11 years from Australia, Brazil, Canada, China, Colombia, Finland, India, Kenya, Portugal, South Africa, the United Kingdom, and the United States. Waist-worn actigraphy was used to measure total sleep time, bedtime, wake-up time, and sleep efficiency on both weekdays and weekends. Children also reported ratings of sleep quantity and quality. HRQoL was measured by the KIDSCREEN-10 survey. Multilevel regression models were used to determine the relationships between sleep characteristics and HRQoL. Results: Results showed considerable variation in sleep characteristics, particularly duration and timing, across study sites. Overall, we found no association between device-measured total sleep time, sleep timing or sleep efficiency, and HRQoL. In contrast, self-reported ratings of poor sleep quantity and quality were associated with HRQoL. Conclusions: Self-reported, rather than device-based, measures of sleep are related to HRQoL in children. The discrepancy related to sleep assessment methods highlights the importance of considering both device-measured and self-reported measures of sleep in understanding its health effects.
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) | 0,002 | 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) | 0,007 | 0,001 |
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 ».