Dietary Patterns and Premenstrual Syndrome: A Cross-Sectional Study
Notice bibliographique
Résumé
This study investigated the cross-sectional association between major dietary patterns and premenstrual syndrome (PMS). Participants were 427 women aged 22-50 y who responded to a mail survey in 2022-2023. Dietary patterns were derived using principal component analysis based on consumption of 52 food and beverage items ascertained by a validated self-administered diet history questionnaire. PMS were assessed using the Premenstrual Symptoms Questionnaire. Logistic regression analysis was used to estimate odds ratios of PMS according to tertiles of dietary pattern scores. The prevalence of moderate to severe PMS was 9.6% (41 women). We identified four dietary patterns: vegetable, tomato and fish, Japanese, and alcohol dietary patterns. No dietary pattern was significantly associated with PMS. However, the odds ratios of PMS in the highest tertile of the vegetable dietary pattern (characterized by high intake of vegetables, mushrooms, potatoes, seaweeds, and chicken) tended to be lower compared to the lowest tertile. The multivariable-adjusted odds ratio of PMS for the highest versus lowest tertile of the vegetable dietary pattern score was 0.69 (95% confidence interval 0.30-1.59). None of the dietary patterns were appreciably associated with PMS. The finding of lower odds of PMS among women with a high score for the vegetable dietary pattern deserves further investigation.
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 | 0,001 |
| 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 ».