Recovery trajectories of IQ after pediatric TBI: A latent class growth modeling analysis
Notice bibliographique
Résumé
OBJECTIVE: To identify latent trajectories of IQ over time after pediatric traumatic brain injury (TBI) and examine the predictive value of risk factors within and across recovery trajectories. METHOD: 206 children ages 3-7 years at injury were included: 87 TBI (23 severe, 21 moderate, 43 complicated mild) and 119 orthopedic injury (OI). We administered intelligence tests shortly after injury (1½ months), 12 months, and 6.8 years postinjury. Latent class growth modeling was used to identify latent subgroups. Separate models examined verbal and nonverbal IQ recovery trajectories following TBI versus OI. Variables included: age at injury, sex, race, socioeconomic status, injury severity, quality of the home environment, family functioning, and parenting style. RESULTS: = 3). Although all models resulted in 3 latent classes (below average, average, and aboveaverage performance); trajectory shapes, contributors to class membership, and performance within each class varied by injury group and IQ domain. TBI severity was associated with class membership for nonverbal IQ, with less severe injuries associated with higher IQ scores; however, TBI severity did not influence verbal IQ class membership. Parenting style had a more prominent effect on verbal and nonverbal IQ within the TBI than OI trajectories. CONCLUSIONS: Findings suggest TBI severity is related to recovery trajectories for nonverbal but not verbal IQ and parenting style has stronger effects on recovery in TBI than OI. Results highlight the importance of parental factors on long-term recovery after TBI.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».