Influences of victimization and comorbid conditions on substance use disorder outcomes in justice-involved youth: A discrete time survival mixture analysis
Notice bibliographique
Résumé
To understand how exposure to victimization during adolescence and the presence of comorbid psychological conditions influence substance use treatment entry and substance use disorder diagnosis from 14 to 25 years old among serious juvenile offenders, this study included 1,354 serious juvenile offenders who were prospectively followed over 7 years. Growth mixture modeling was used to assess profiles of early victimization during adolescence (14-17 years). Discrete time survival mixture analysis was used to assess time to treatment entry and substance use disorder diagnosis. Posttraumatic stress disorder (PTSD) and major depressive disorder (MDD) were used as predictors of survival time. Mixture models revealed three profiles of victimization: sustained poly-victimization, moderate/decreasing victimization, and low victimization. Youth in the sustained poly-victimization class were more likely to enter treatment earlier and have a substance use diagnosis earlier than other classes. PTSD was a significant predictor of treatment entry for youth in the sustained poly-victimization class, and MDD was a significant predictor of substance use disorder diagnosis for youth in the moderate/decreasing victimization class. Therefore, substance use prevention programming targeted at youth experiencing poly-victimization in early adolescence-especially those who have PTSD or MDD-is needed.
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 | 0,000 | 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) | 0,000 | 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 ».