Identifying patterns of substance use and mental health concerns among adolescents in an outpatient mental health program using latent profile analysis
Notice bibliographique
Résumé
Though mental health and substance use concerns often co-occur, few studies have characterized patterns of co-occurrence among adolescents in clinical settings. The current investigation identifies and characterizes these patterns among adolescents presenting to an outpatient mental health service in Ontario, Canada. Data come from cross-sectional standardized patient intake assessments from 916 adolescents attending an outpatient mental health program (January 2019-March 2021). Latent profile analysis identified patterns of substance use (alcohol, cannabis, (e-) cigarettes) and emotional and behavioral disorder symptoms. Sociodemographic and clinical correlates of these patterns were examined using multinomial regression. Three profiles were identified including: 1) low substance use and lower frequency and/or severity (relative to other patients in the sample) emotional and behavioral disorder symptoms (26.2%), 2) low substance use with higher emotional and behavioral disorder symptoms (48.2%), and 3) high in both (25.6%). Profiles differed in sociodemographic and clinical indicators related to age, gender, trauma, harm to self, harm to others, and service use. Experiences of trauma, suicide attempts, and thoughts of hurting others increased the odds of adolescents being in the profile high in both substance use and symptoms compared to other profiles. These findings further document the high rates of substance use in adolescents in mental health treatment and the profiles generally map onto three out of four quadrants in the adapted four-quadrant model of concurrent disorders, indicating the importance of assessing and addressing substance use in these settings.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».