Examining differential responses to the Take Care of Me trial: A latent class and moderation analysis
Notice bibliographique
Résumé
. Although the treatment had an impact on several secondary outcomes, effects were not observed for the primary outcome. Therefore, the goal of the current study was to examine heterogeneity in treatment responses. The initial RCT randomized participants to either a treatment or psychoeducational control condition. We conducted an exploratory latent class analysis to distinguish individuals based on pre-treatment risk and then used moderated regressions to examine differential treatment responses based on class membership. We found evidence for three distinct groups. Most participants fell in the "low severity" group (n = 123), followed by the "moderate severity" group (n = 57) who had a higher likelihood of endorsing a previous mental health diagnosis and treatment and higher symptom severity than the low group. The "high severity" group (n = 42) endorsed a family history of alcoholism, and the highest symptom severity and executive dysfunction. Moderated regressions revealed significant class differences in treatment responses. In the treatment condition, high severity (relative to low) participants reported higher alcohol consumption and hazardous drinking and lower quality of life at follow-up, whereas moderate severity (relative to low) individuals had lower alcohol consumption at follow-up, and lower hazardous drinking at end-of-treatment. No class differences were found for participants in the control group. Higher risk individuals in the treatment condition had poorer responses to the program. Tailoring interventions to severity may be important to examine in future research.
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 ».