Prospective Analysis of Premilitary Mental Health, Somatic Symptoms, and Postdeployment Postconcussive Symptoms
Notice bibliographique
Résumé
OBJECTIVES: Many recent studies of service members returning from deployment have focused on the health impacts of mild traumatic brain injury (mTBI), including persistent postconcussive symptoms (PCS). However, cross-sectional study designs have made it difficult to understand the role of mental health in the etiology of persistent PCS. METHODS: Participants were 3319 military personnel (primarily men [90%] of 25-34 years [54%]) who had completed health surveys at basic training and after deployment, on average, 4.6 years later. Negative binomial regression was used to assess the association of PCS with demographic covariates, premilitary mental health and somatic symptoms, combat experiences and mTBI during deployment, in addition to postdeployment mental health and non-PCS somatic symptoms. RESULTS: Premilitary mental health and somatic symptoms predicted PCS even when adjusting for other variables, yielding an elevated incidence rate ratio (IRR) for posttraumatic stress disorder (PTSD; IRR = 1.23, 95% confidence interval [CI] = 1.06-1.41) and somatic symptoms (mild versus minimal somatic symptoms: IRR = 1.43, 95% CI = 1.31-1.55; moderate/severe versus minimal somatic symptoms: IRR = 1.69, 95% CI = 1.43-2.06), but not for depressive symptoms. When postdeployment mental health and somatic symptom measures were added to the model, the effect of premilitary somatic symptoms remained significant. CONCLUSIONS: Findings point to potential etiological contributions of premilitary characteristics, particularly a tendency to experience somatic symptoms and PTSD, as well as mTBI and combat experiences, to the development of PCS. PCS were also strongly related to concurrent postdeployment mental health.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».