Key patterns and predictors of response to treatment for military veterans with post-traumatic stress disorder: a growth mixture modelling approach
Notice bibliographique
Résumé
BACKGROUND: To determine the patterns and predictors of treatment response trajectories for veterans with post-traumatic stress disorder (PTSD). METHODS: Conditional latent growth mixture modelling was used to identify classes and predictors of class membership. In total, 2686 veterans treated for PTSD between 2002 and 2015 across 14 hospitals in Australia completed the PTSD Checklist at intake, discharge, and 3 and 9 months follow-up. Predictor variables included co-morbid mental health problems, relationship functioning, employment and compensation status. RESULTS: Five distinct classes were found: those with the most severe PTSD at intake separated into a relatively large class (32.5%) with small change, and a small class (3%) with a large change. Those with slightly less severe PTSD separated into one class comprising 49.9% of the total sample with large change effects, and a second class comprising 7.9% with extremely large treatment effects. The final class (6.7%) with least severe PTSD at intake also showed a large treatment effect. Of the multiple predictor variables, depression and guilt were the only two found to predict differences in response trajectories. CONCLUSIONS: These findings highlight the importance of assessing guilt and depression prior to treatment for PTSD, and for severe cases with co-morbid guilt and depression, considering an approach to trauma-focused therapy that specifically targets guilt and depression-related cognitions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».