Classification of childhood onset eating disorders: A latent class analysis
Notice bibliographique
Résumé
This study tested the hypothesis that latent class analysis (LCA) would successfully classify eating disorder (ED) symptoms in children into categories that mapped onto DSM-5 diagnoses and that these categories would be consistent across countries. Childhood onset ED cases were ascertained through prospective active surveillance by the Australian Paediatric Surveillance Unit, the Canadian Paediatric Surveillance Program, and the British Paediatric Surveillance Unit for 36, 24, and 14 months, respectively. Pediatricians and child psychiatrists reported symptoms of any child aged ≤ 12 years with a newly diagnosed restrictive ED. Descriptive analyses and LCA were performed separately for all three countries and compared. Four hundred and thirty-six children were included in the analysis (Australia n = 70; Canada n = 160; United Kingdom n = 206). In each country, LCA revealed two distinct clusters, both of which presented with food avoidance. Cluster 1 (75%, 71%, 66% of the Australian, Canadian, and United Kingdom populations, respectively) presented with symptoms of greater weight preoccupation, fear of being fat, body image distortion, and over exercising, while Cluster 2 did not (all p < .05). Cluster 1 was older, had greater mean weight loss and was more likely to have been admitted to an inpatient unit and have unstable vital signs (all p < .01). Cluster 2 was more likely to present with a comorbid psychiatric disorder (p < .01). Clusters 1 and 2 closely resembled the DSM-5 criteria for anorexia nervosa and avoidant/restrictive food intake disorder, respectively. Symptomatology and distribution were remarkably similar among countries, which lends support to two separate and distinct restrictive ED diagnoses.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».