Differential symptom weighting in estimating empirical thresholds for underlying PTSD severity: Toward a “platinum” standard for diagnosis?
Notice bibliographique
Résumé
OBJECTIVE: Symptom counts as the basis for Post-Traumatic Stress Disorder (PTSD) diagnoses in the DSM presume each symptom is equally reflective of underlying disorder severity. However, the "equal weight" assumption fails to fit PTSD symptom data when tested. The present study developed an enhanced PTSD diagnosis based on (a) a conventional PTSD diagnosis from a clinical interview and (b) an empirical classification of full PTSD that reflected the relative clinical weights of each symptom. METHOD: Baseline structured interview data from Project Harmony (N = 2658) was used. An enhanced diagnosis for full PTSD was estimated using an empirical threshold from moderated nonlinear factor analysis (MNLFA) latent PTSD scale scores, in combination with a full conventional PTSD diagnosis based on interview data. RESULTS: One in 4 patients in the sample had a PTSD diagnosis that was inconsistent with their empirical PTSD grouping, such that the enhanced diagnostic standard reduced the diagnostic discrepancy rate by 20%. Veterans, and in particular female Veterans, were at greatest odds for discrepancy between their underlying PTSD severity and DSM diagnosis. CONCLUSION: Psychometric methodologies that differentially weight symptoms can complement DSM criteria and may serve as a platform for symptom prioritization for diagnoses in future editions of DSM.
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 | 0,093 | 0,314 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».