Maladaptive Eating in Posttraumatic Stress Disorder: A Population‐Based Examination of Typologies and Medical Condition Correlates
Notice bibliographique
Résumé
Posttraumatic stress disorder (PTSD) and eating pathology are frequently comorbid, and both are independent risk factors for various medical conditions. Using population-based data collected as part of the 2012-2013 National Epidemiologic Survey on Alcohol and Related Conditions (NESARC-III; N = 36,309), the primary objectives of this study were to (a) identify eating pathology classes among PTSD and (b) investigate associations between maladaptive eating and medical conditions among PTSD. Using the Alcohol Use Disorder and Associated Disabilities Interview Schedule (AUDADIS-5), we assessed PTSD and maladaptive eating symptoms in accordance with the DSM-5. We used a latent class analysis to identify maladaptive eating typologies among adults with lifetime PTSD (n = 2,339; 6.1%) and multivariable logistic regression models to examine associations between each of the six emergent maladaptive eating typologies and medical conditions. Results revealed that over 40% of individuals with PTSD endorsed indicators of maladaptive eating. In addition, each maladaptive eating typology among PTSD was significantly associated with unique sociodemographic characteristics and increased odds of medical conditions relative to no PTSD and no eating disorder, adjusted odds ratios (AORs) = 1.34-6.55, and PTSD with no eating psychopathology, AORs = 1.43-5.11. Results of this study provide a better understanding of maladaptive eating in adults with PTSD and potential medical sequelae. Results indicate maladaptive eating may be an important mechanism in the association between PTSD and medical conditions, which may inform targeted interventions among individuals with these comorbidities.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».