Sex Differences in Psychiatric Comorbidities in Adolescents With Autism Spectrum Disorder
Notice bibliographique
Résumé
Objective: To investigate sex differences in psychiatric comorbidities in adolescents with autism spectrum disorder (ASD). Methods: The US National Inpatient Sample dataset (January 2016 to December 2018) was used for this retrospective study. The patient population was selected by performing a query on all adolescent patients (aged 12–17 years) having ASD with the ICD-10-CM code starting with F84. All missing sex data were excluded. Additional data on mood disorders, anxiety disorders, personality disorders, adjustment disorders, psychotic disorders, attention-deficit/hyperactivity disorder (ADHD)/conduct disorders, sleep-wake disorders, and substance use disorders were collected. Data on psychiatric comorbidities were collected using the ICD-10-CM code provided in the Clinical Classifications Software of the dataset. Results: Mood disorders (37.4% vs 44.1%, P < .001) and anxiety disorders (29.4% vs 37.0%, P < .001) were more prevalent in females compared to males. The prevalence of ADHD and other conduct disorders was significantly higher in males than females (47.7% vs 36.7%, P < .001). Substance use disorders were slightly higher among males compared to females (3.7% vs 3.0%, P = .04). Conclusion: The study findings revealed statistically significant disparities in psychiatric comorbidities among adolescent male and female patients with ASD. These findings could serve as a pilot for larger-scale research with this patient population in the future.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».