Mixture Modeling to Characterize Anorexia Nervosa: Integrating Personality and Eating Disorder Psychopathology
Notice bibliographique
Résumé
BACKGROUND: Efforts to examine alternative classifications (e.g., personality) of anorexia nervosa (AN) using empirical techniques are crucial to elucidate diverse symptom presentations, personality traits, and psychiatric comorbidities. AIMS: The purpose of this study was to use an empirical approach (mixture modeling) to test an alternative classification of AN as categorical, dimensional, or hybrid categorical–dimensional construct based on the co-occurrence of personality psychopathology and eating disorder clinical presentation. METHODS: Patients with AN ( N = 194) completed interviews and questionnaires at treatment admission and 3-month follow-up. Mixture modeling was used to test whether indicators best classified AN as categorical, dimensional, or hybrid. RESULTS: A four-latent class, one-latent dimension mixture model that was variant across groups provided the best fit to the data. Results suggest that all classes were characterized by low self-esteem and self-harming and suicidality tendencies. Individuals assigned to Latent Class 2 (LC2; n = 21) had a greater tendency toward being impulsive and easily angered and having difficulties controlling anger compared with those in LC1 ( n = 84) and LC3 ( n = 66). Moreover, individuals assigned to LC1 and LC3 were more likely to have a poor outcome from intensive treatment compared with those in LC4 ( n = 21). Findings indicate that the dimensional aspect within each class measured frequency of specific eating disorder behaviors but did not predict treatment outcomes. CONCLUSIONS: These results emphasize the complexity of AN and the importance of considering how facets of clinical presentation beyond eating disorder behaviors may have different treatment and prognostic implications.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».