Towards identifying a method of screening for autism amongst women with restrictive eating disorders
Notice bibliographique
Résumé
OBJECTIVE: Up to 37% of patients with anorexia nervosa score above cut-off on autism screening measures. These individuals typically have poorer outcomes from standard eating disorder interventions and could therefore benefit from adaptations. Accurately identifying these individuals is important for improving autism referral processes and clinical pathway decisions. This study's aim was to identify subscales of questionnaires measuring constructs associated with either autism or eating disorders that, when combined with traditional autism screening measures, would improve the ability to identify women with restrictive eating disorders who might benefit from a full autism assessment. METHOD: One hundred and sixty women with restrictive eating disorders, with (n = 42) or without (n = 118) an autism diagnosis completed a battery of questionnaires. Using conditional stepwise binary logistic regression, we attempted to improve the autism spectrum quotient 10 item's (AQ-10) ability to discriminate between autistic and non-autistic women in a restrictive eating disorder sample. RESULTS: In a binary logistic regression model, the AQ-10 reliably discriminated between autistic and non-autistic women with an accuracy rate of 85% but had relatively low (69%) sensitivity, reflecting a high rate of false negatives. Adding three subscales to the model (Glasgow Sensory Questionnaire Auditory, Camouflaging Autistic Traits Questionnaire Compensation and Toronto Alexithymia Scale Externally Orientated Thinking) significantly improved its differentiating ability (accuracy = 88%, sensitivity = 76%, specificity = 92%). CONCLUSIONS: We have identified three subscales that, when used in combination with the AQ-10, may help clinicians understand the pattern of autistic traits in their patients with a restrictive eating disorder. This can inform clinical decisions about whether to refer for a full autism assessment and whether to adapt standard eating disorder treatments to accommodate autistic traits. Future studies are needed to test the model in samples where participants have undergone a full autism assessment.
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 | 0,002 | 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 | 0,000 |
| 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 ».