MétaCan
Menu
Retour à la cohorte
Enregistrement W4309366140 · doi:10.1177/11782218221126977

Characterizing Clinical Heterogeneity in a Large Inpatient Addiction Treatment Sample: Confirmatory Latent Profile Analysis and Differential Levels of Craving and Impulsivity

2022· article· en· W4309366140 sur OpenAlexaff
Meenu Minhas, Alysha Cooper, Sarah Sousa, Mary Jean Costello, James MacKillop

Notice bibliographique

RevueSubstance Abuse Research and Treatment · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueSubstance Abuse Treatment and Outcomes
Établissements canadiensMcMaster UniversityHomewood Research InstituteSt. Joseph’s Healthcare Hamilton
Organismes subventionnairesnon disponible
Mots-clésImpulsivityPsychiatryCravingAlcohol use disorderClinical psychologyPsychologyMajor depressive disorderSubstance abuseAnxietyAddictionMedicineMoodAlcohol

Résumé

récupéré en direct d'OpenAlex

Background: Individuals with substance use disorders (SUDs) have highly heterogeneous presentations and identifying more homogeneous subgroups may foster more personalized treatment. This study used SUD and other psychiatric indicators to characterize latent subgroups of patients in a large inpatient addiction treatment program. The resulting subgroups were then analyzed with respect to differences on clinically informative motivational mechanisms. Methods: Patients (n = 803) were assessed for severity of SUD (ie, alcohol use disorder, drug use disorder), post-traumatic stress disorder, anxiety disorders, and major depressive disorder. Confirmatory latent profile analysis (CLPA) was used to identify latent subgroups, hypothesizing 4 subgroups. Subgroups were then characterized with respect to multiple indicators of impulsivity (ie, delay discounting and impulsive personality traits via the UPPS-P) and craving. Results: The CLPA confirmed the hypothesized 4-profile solution according to all indicators (eg, entropy = 0.90, all posterior probabilities ⩾.92). Profile 1 (n = 229 [32.2%], 24.9% female, median age in range of 45-49) reflected individuals with high alcohol severity and low psychiatric severity (HAlc/LPsy). Profile 2 (n = 193 [27.1%], 29.3% female, median age in range of 35-39) reflected individuals with high drug and psychiatric severity (HDrug/HPsy). Profile 3 (n = 160 [22.5%], 37.6% female, median age in range of 45-49) reflected individuals with high alcohol severity and psychiatric severity (HAlc/HPsy). Profile 4 (n = 130 [18.3%], 19.4% female, median age in range of 35-39) reflected individuals with high drug severity and low psychiatric severity (HDrug/LPsy). Both high comorbid psychiatric severity subgroups exhibited significantly higher craving and facets of impulsivity. Conclusions: The results provide further evidence of 4 latent subgroups among inpatients receiving addiction treatment, varying by alcohol versus other drugs and low versus high psychiatric comorbidity. Furthermore, they reveal the highest craving and impulsivity in the high psychiatric comorbidity groups, suggesting targets for more intensive clinical intervention in these patients.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,891

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,112
Tête enseignante GPT0,392
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSubstance Abuse Research and TreatmentMême sujetSubstance Abuse Treatment and OutcomesTravaux en français237 207