Classification of Children and Adolescents With Avoidant/Restrictive Food Intake Disorder
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Evidence suggests that children and adolescents with avoidant/restrictive food intake disorder (ARFID) have heterogeneous clinical presentations. To use latent class analysis (LCA) and determine the frequency of various classes in pediatric patients with ARFID drawn from a 2-year surveillance study. METHODS: Cases were ascertained using the Canadian Pediatric Surveillance Program methodology from January 1, 2016, to December 31, 2017. An exploratory LCA was undertaken with latent class models ranging from 1 to 5 classes. RESULTS: Based on fit statistics and class interpretability, a 3-class model had the best fit: Acute Medical (AM), Lack of Appetite (LOA), and Sensory (S). The probability of being classified as AM, LOA, and S was 52%, 40.7%, and 6.9%, respectively. The AM class was distinct for increased likelihood of weight loss (92%), a shorter length of illness (<12 months) (66%), medical hospitalization (56%), and heart rate <60 beats per minute (31%). The LOA class was distinct for failure to gain weight (97%) and faltering growth (68%). The S class was distinct for avoiding certain foods (100%) and refusing to eat because of sensory characteristics of the food (100%). Using posterior probability assignments, a mixed group AM/LOA (n = 30; 14.5%) had characteristics of both AM and LOA classes. CONCLUSIONS: This LCA suggests that ARFID is a heterogeneous diagnosis with 3 distinct classes corresponding to the 3 subtypes described in the literature: AM, LOA, and S. The AM/LOA group had a mixed clinical presentation. Clinicians need to be aware of these different ARFID presentations because clinical and treatment needs will vary.
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 ».