High craving is associated with fewer abstinent days and lesser time to relapse during treatment in severe alcohol use disorder
Notice bibliographique
Résumé
ABSTRACT Background: Craving, an integral aspect of addictive processes, underlies heavy alcohol consumption and alcohol use disorder (AUD). Western studies point out that craving is associated with relapse risks in AUD treatment. The feasibility of assessing and following up with craving dynamicity is not studied in the Indian context. Aim: We aimed to capture craving and explore its association with relapse in an outpatient facility. Methods: Among 264 treatment-seeking male participants (mean [SD] age = 36 [6.7] years) with severe AUD, craving was assessed according to the Penn Alcohol Craving Scale (PACS) at treatment initiation and two follow-up visits (median follow-up: 1, 2 weeks). Days to drink and percentage of days abstinent were acquired during the follow-ups (maximum follow-up days = 355). Those lost to follow-up were censored and considered as having relapsed. Results: High craving was associated with fewer days to drink when considered as a sole predictor ( P = 0.030). With covariates including medication at treatment initiation, high craving was marginally associated with fewer days to drink ( P = 0.057). Baseline craving was negatively associated with proximal percentage of days abstinent ( P = 0.015) and cravings at follow-ups negatively correlated with cross-sectional abstinent days (FU1: P = 0.009, FU2: P = 0.019). Craving reduced significantly over time ( P < 0.001), irrespective of the drinking status in follow-ups. Conclusion: Relapse is a real challenge in AUD. The utility of craving assessment in identifying relapse risk in an outpatient facility helps in identifying an at-risk population for future relapse. Thus better-targeted approaches in treating AUD can be developed.
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 ».