MétaCan
Menu
Retour à la cohorte
Enregistrement W3153657354 · doi:10.1186/s11689-021-09365-2

Capturing cognitive and behavioral variability among individuals with Down syndrome: a latent profile analysis

2021· article· en· W3153657354 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

fundUn bailleur canadien est enregistré sur le travail.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJournal of Neurodevelopmental Disorders · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueDown syndrome and intellectual disability research
Établissements canadiensnon disponible
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentIntellectual and Developmental Disabilities Research CenterNational Institutes of HealthLuMind Research Down Syndrome FoundationDown Syndrome Research Foundation
Mots-clésCognitionLatent class modelPsychologyAutism spectrum disorderNeuropsychologyDevelopmental psychologyAutismClinical psychologyAdaptive behaviorPsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: There is a high degree of inter- and intra-individual variability observed within the phenotype of Down syndrome. The Down Syndrome Cognition Project was formed to capture this variability by developing a large nationwide database of cognitive, behavioral, health, and genetic information on individuals with Down syndrome, ages 6-25 years. The current study used the Down Syndrome Cognition Project database to characterize cognitive and behavioral variability among individuals with Down syndrome. METHODS: Latent profile analysis was used to identify classes across a sample of 314 participants based on their cognition (IQ and executive functioning), adaptive and maladaptive behavior, and autism spectrum disorder symptomatology. A multivariate multinomial regression model simultaneously examined demographic correlates of class. RESULTS: Results supported a 3-class model. Each class demonstrated a unique profile across the subdomains of cognition and behavior. The "normative" class was the largest (n = 153, 48%) and displayed a relatively consistent profile of cognition and adaptive behavior, with low rates of maladaptive behavior and autism symptomatology. The "cognitive" class (n = 109, 35%) displayed low cognitive scores and adaptive behavior and more autism symptomatology, but with low rates of maladaptive behavior. The "behavioral" class, the smallest group (n = 52, 17%), demonstrated higher rates of maladaptive behavior and autism symptomatology, but with cognition levels similar to the "normative" class; their adaptive behavior scores fell in between the other two classes. Household income and sex were the only demographic variables to differ among classes. CONCLUSIONS: These findings highlight the importance of subtyping the cognitive and behavioral phenotype among individuals with Down syndrome to identify more homogeneous classes for future intervention and etiologic studies. Results also demonstrate the feasibility of using latent profile analysis to distinguish subtypes in this population. Limitations and future directions are discussed.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,297
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle