Cluster analysis of patients with alcohol use disorder featuring alexithymia, depression, and diverse drinking behavior
Notice bibliographique
Résumé
AIM: This study aimed to identify subgroups of alcohol use disorder (AUD) based on a multidimensional combination of alexithymia, depression, and diverse drinking behavior. METHOD: We recruited 176 patients with AUD, which were initially divided into non-alexithymic (n = 130) and alexithymic (n = 46) groups using a cutoff score of 61 on the Toronto Alexithymia Scale (TAS-20). Subsequently, the profiles of the two groups were compared. Thereafter, a two-stage cluster analysis using hierarchical and K-means methods was performed with the Z-scores from the TAS-20, the Quick Inventory of Depressive Symptomatology Self-Report Japanese Version, the 12-item questionnaire for quantitative assessment of depressive mixed state, and the 20-item questionnaire for drinking behavior pattern. RESULTS: In the first analysis, Alexithymic patients with AUD showed greater depressive symptoms and more pathological drinking behavior patterns than those without alexithymia. Cluster analysis featuring alexithymia, depression, and drinking behavior identified three subtypes: Cluster 1 (core AUD type) manifesting pathological drinking behavior highlighting automaticity; Cluster 2 (late-onset type) showing relatively late-onset alcohol use and fewer depressive symptoms or pathological drinking behavior; and Cluster 3 (alexithymic type) characterized by alexithymia, depression, and pathological drinking behavior featuring greater coping with negative affect. CONCLUSION: The multidimensional model with alexithymia, depression, and diverse drinking behavior provided possible practical classification of AUD. The alexithymic subtype may require more caution, and additional support for negative affect may be necessary due to accompanying mood problems and various maladaptive drinking behaviors.
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 | 0,001 |
| 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 ».