An Empirical Study of the Cut-Off Point for the Iranian Version of Alcohol Use Disorders Identification Test (AUDIT)
Notice bibliographique
Résumé
Background: AUDIT is constructed to be able to identify hazardous drinking and less severe alcohol-related problems. The original AUDIT was shown to have a cut-off score of 8 and above for identifying hazardous or harmful alcohol consumption. The aim of this study was to establish the optimal cut-off point of the Persian version of Alcohol Use Disorders Identification Test (AUDIT) in psychiatric out-patients. Methods: Participants were a sample of consecutive patients at Imam Hossein Hospital (Tehran/Iran). They consisted of 99 patients, 49 of them diagnosed with alcohol dependency and 50 patients randomly selected from a sample of patients using alcohol but with other primary diagnoses. All statistics including means and standard deviations as well as medians and interquartile range were calculated in SPSS 24 software environment. Results: A Receiver Operating Curve analysis showed that by using a 20-point cut-off, the AUDIT had an optimal combination of sensitivity (.92) and specificity (.74). The rate of discrimination was .88. Conclusions: Given the high sensitivity and acceptable specificity of the AUDIT, the test can be used as an effective instrument for identification of alcohol use disorders in the Persian psychiatric out-patient population. Furthermore, the receiver operating curve found in this study resembles the one found in previous studies despite the differences in alcohol cultures between Iran and countries with higher alcohol consumption.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,040 | 0,144 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».