Risk factors for binge eating and purging eating disorders: Differences based on age of onset
Notice bibliographique
Résumé
OBJECTIVE: To (1) determine whether childhood risk factors for early onset binge eating and purging eating disorders also predict risk for later-onset binge eating and purging disorders, and (2) compare the utility of childhood and early adolescent variables in predicting later-onset disorders. METHOD: Participants (N = 1,383) were drawn from the Western Australian Pregnancy Cohort (Raine) Study, which has followed children from pre-birth to age 20. Eating disorders were assessed when participants were aged 14, 17, and 20. Risk factors for early onset eating disorders have been reported previously (Allen et al., J Am Acad Child Psychiat, 48, 800-809, 2009). This study used logistic regression to determine whether childhood risk factors for early onset disorders, as previously identified, would also predict risk for later-onset disorders (n = 145). Early adolescent predictors of later-onset disorders were also examined. RESULTS: Consistent with early onset cases, female sex and parent-perceived child overweight at age 10 were significant multivariate predictors of binge eating and purging disorders with onset in later adolescence. Eating, weight, and shape concerns at age 14 were also significant in predicting later-onset disorders. In the final stepwise multivariate model, female sex and eating, weight, and shape concerns at age 14 were significant in predicting later-onset eating disorders, while parent-perceived child overweight at age 10 was not. DISCUSSION: There is overlap between risk factors for binge eating and purging disorders with early and later onset. However, childhood exposures may be more important for early than later onset cases.
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 | 0,002 |
| 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 ».