Network Analysis of Posttraumatic Stress and Eating Disorder Symptoms in a Community Sample of Adults Exposed to Childhood Abuse
Notice bibliographique
Résumé
Posttraumatic stress disorder (PTSD) and eating disorders (EDs) are individually debilitating and highly comorbid conditions. Childhood abuse is a prominent risk factor for PTSD and ED symptoms both individually and as a comorbid syndrome (PTSD-ED). There may be a functional association between comorbid PTSD-ED symptoms whereby disordered eating behaviors are used to avoid trauma-related thoughts and feelings. The current study used a network analytic approach to examine key associations between PTSD and ED symptom subscales (i.e., PCL-5 and EPSI, respectively) in a community sample of 120 adults who endorsed at least one experience of childhood abuse (i.e., physical, sexual, or emotional abuse; witnessing domestic violence). Participants completed an anonymous online survey using Amazon's Mechanical Turk Prime. We used three network analysis indices (i.e., strength centrality, key players, and bridge symptoms) to identify symptoms that may maintain the comorbid PTSD-ED network. The results indicated that reexperiencing symptoms had the highest strength centrality in the PTSD-ED network and bridged the PTSD and ED clusters. For ED, cognitive restraint was a bridge to all PTSD symptoms. Hyperarousal, negative alterations in cognitions and mood (NACM), and purging were key players, indicating they are integral to the network structure. If replicated in prospective studies, these results may indicate that reexperiencing and cognitive restraint are core drivers of PTSD-ED comorbidity, whereas hyperarousal, NACM, and purging may be downstream consequences maintaining the comorbid condition. Concurrent treatments that address PTSD and ED symptoms simultaneously may result in the best 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».