Autism comorbidities show elevated female‐to‐male odds ratios and are associated with the age of first autism diagnosis
Notice bibliographique
Résumé
OBJECTIVE: To investigate the association between the comorbidity rates in autism and sex, birth year and the age at which autism was first diagnosed and compare the relative impact of each. METHOD: Using the Danish National Patient Registry, cumulative incidences up to the age of 16 for 11 comorbid conditions (psychosis, affective disorders, anxiety disorders, conduct disorder, eating disorders, obsessive-compulsive disorder, attention-deficit hyperactivity disorder, epilepsy, tic disorders, sleep disorders or intellectual disability) were calculated for individuals with autism (N = 16,126) and non-autism individuals (N = 654,977). Individuals were further stratified based on the age at the first autism diagnoses and comorbid diagnoses up to the age of 16 were compared. RESULTS: Most comorbidities were significantly associated with birth year and sex. Female/male odds ratios for 8 of 11 comorbid conditions were up to 67% higher than the corresponding odds ratios in the non-autism population, including conditions that are generally more common in males than in females as well as conditions that are more common in females. All comorbidity rates were significantly associated with the age at the first autism diagnosis, which was a stronger predictor than sex and birth year for 8 conditions. CONCLUSIONS: Comorbidity rates for females exceed what would be expected based on the sex ratios among non-autistic individuals, indicating that the association between autism and comorbidity is stronger in females. Comorbidity rates are also highly dependent on the age at the first autism diagnosis, which may contribute to autism heterogeneity in research and clinical practice.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».