Mapping Common Psychiatric Disorders
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
CONTEXT Clinical experience and factor analytic studies suggest that some psychiatric disorders may be more closely related to one another, as indicated by the frequency of their co-occurrence, which may have etiologic and treatment implications. OBJECTIVE To construct a virtual space of common psychiatric disorders, spanned by factors reflecting major psychopathologic dimensions, and locate psychiatric disorders in that space, as well as to examine whether the location of disorders at baseline predicts the prevalence and incidence of disorders at 3-year follow-up. DESIGN, SETTING, AND PATIENTS A total of 34 653 individuals participated in waves 1 and 2 of the National Epidemiologic Survey on Alcohol and Related Conditions. MAIN OUTCOME MEASURES The distance between disorders at wave 1, calculated using the loadings of the factors spanning the space of disorders as coordinates. This distance was correlated with the adjusted odds ratios for age, sex, and race/ethnicity of the prevalence and incidence of Axis I disorders in wave 2, with the aim of determining whether smaller distances between disorders at wave 1 predicts higher disorder prevalence and incidence at wave 2. RESULTS A model with 3 correlated factors provided an excellent fit (Comparative Fit Index = 0.99, Tucker-Lewis Index = 0.98, root mean square error of approximation = 0.008) for the structure of common psychiatric disorders and was used to span the space of disorders. Distances ranged from 0.070 (between drug abuse and alcohol dependence) to 1.032 (between drug abuse and dysthymia). The correlation of distance between disorders in wave 1 with adjusted odds ratios of prevalence in wave 2 was -0.56. The correlation of distance in wave 1 with adjusted odds ratios of incidence in wave 2 was -0.57. CONCLUSIONS Mapping psychiatric disorders can be used to quantify the distances among disorders. Proximity in turn can be used to predict prospectively the incidence and prevalence of Axis I disorders.
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.
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 | 0,001 |
| 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) | 0,004 | 0,004 |
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 découle