Latent class analysis of post-traumatic stress symptoms and complex PTSD in child victims of sexual abuse and their response to Trauma-Focused Cognitive Behavioural Therapy
Notice bibliographique
Résumé
Background: PTSD symptoms are frequent in child victims of sexual abuse. Yet, authors have argued that early trauma could lead to alterations in development that go far beyond the primary symptoms of PTSD and have proposed Complex PTSD as an alternative diagnosis encompassing difficulties in affect regulation, relationships and self-concept.Objective: To delineate profiles in child victims of sexual abuse and explore whether profiles are associated with treatment response to Trauma-Focused Cognitive Behavioural Therapy.Method: Latent class analysis was used to identify symptom profiles at baseline assessment of 384 children ages 6 to 14, recruited in a Child Advocacy Centre following disclosure of sexual abuse. Dimensions of Complex PTSD diagnosis as proposed by the ICD-11 were derived from self-report questionnaires.Results: Latent class analysis identified a best fitting model of three classes: Classic PTSD regrouping 51% of children, Complex PTSD describing 23% of children, and Resilient describing 25% of children. Trauma-focused therapy was associated with a significant reduction of dissociation, internalizing, and externalizing problems for children of all three classes. Trauma-focused therapy was also linked to a significant reduction of PTSD symptoms with larger effect size (d = .90; 95%CI: 0.63–1.16) for children classified in the Complex PTSD class.Conclusion: These findings highlight the utility of a person-oriented approach to enhance our understanding of the diversity of profiles in child victims. The results offer empirical support for the ICD-11 PTSD and Complex PTSD distinction in a clinical sample of sexually abused children and the relevance of this distinction in foreseeing treatment outcomes.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».