COMORBIDITY OF PSYCHIATRIC AND SUBSTANCE USE DISORDERS IN LATE ADOLESCENCE: A CLUSTER ANALYTIC APPROACH
Notice bibliographique
Résumé
Cluster analysis was used to identify subgroups of youths with past-year substance and/or psychiatric disorders (N = 110, mean age 19.0 years). Data for this study came from a community-based, prospective longitudinal investigation of speech/language (S/L) impaired children and matched controls who participated in extensive diagnostic and psychosocial assessments at entry into the study at 5 years of age and again at follow-up. Clustering variables were based on five DSM diagnostic categories assessed at age 19with the University of Michigan Composite International Diagnostic Interview. Using Ward's method, the five binary variables were entered into a hierarchical cluster analysis. An iterative clustering method (K-means) was then used to refine the Ward solution. Finally, a series of analyses of variance (ANOVAs) were run to analyze group differences between clusters on measures of Global Assessment of Functioning (GAF), criminal involvement, anxiety and depressive symptomatology, and frequency of drug use and heavy drinking. The analysis yielded eight replicable cluster groups, which were labeled as follows: (a) anxious (20.9%); (b) anxious drinkers (5.5%); (c) depressed (16.4%); (d) depressed drug abusers (10%); (e) antisocial (16.4%); (f) antisocial drinkers (10%); (g) drug abusers (8.2%); (h) problem drinkers (12.7%). These groups were differentiated by external criteria, thus supporting the validity of our cluster solution. Cluster membership was associated with a history of S/L impairment: A large proportion of the depressed drug abusers and the antisocial cluster group had S/L impairment that was identified at age 5. Clarification of the developmental progress of the youths in these cluster groups can inform our approach to early intervention and treatment.
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 | 0,000 | 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 | 0,000 |
| 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 ».