Predicting the Risk of Opioid Use Disorder Based on Early Maladaptive Schemas
Notice bibliographique
Résumé
Substance use is a globally devastating social problem. Early maladaptive schemas (EMSs) are inefficient mechanisms leading directly or indirectly to psychological distress. The current study aimed to assess the role of EMSs in predicting opioid use disorder. The cross-sectional study was conducted in 2013 in Bojnurd at northeast of Iran on 60 male opioid users who received Methadone Maintenance Treatment (MMT) and 60 control males. The opioid users were selected randomly from MMT clinics and control subjects were selected and matched with opioid users using demographic variables. The subjects completed the Young Schema Questionnaire-Short Form (YSQ-SF). Except for SS (self-sacrifice), EG (entitlement/grandiosity), US (unrelenting standards), and FA (Failure to Achieve), the mean of other maladaptive schemas in the opioid user group were significantly higher than that of the control group, adjusted for multiple comparisons. Multivariate analysis of variance (MANOVA) indicated significant differences in maladaptive schemas between the two groups. Logistic regression identified that Emotional Deprivation, Mistrust/Abuse, and Unrelenting Standards can predict opioid use. As a result, the risk of opioid-related disorders in people with higher YSQ-SF scores in these schemas is higher. The findings conclude that the existence of underlying EMS may constitute a vulnerability factor for developing opioid use disorders later on in life. Provided the vast amount of scientific literature in evidence-based treatments focusing on EMSs, maladaptive schemas and related core beliefs can be detected and treated in adolescence to prevent the enactment of the schema and psychological distress likely to induce opioid use.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».