Characterizing clinical heterogeneity in an inpatient service treating mental, substance use and concurrent disorders
Notice bibliographique
Résumé
Patients diagnosed with concurrent disorders (CD)-comorbid substance use disorder with other psychiatric conditions-experience poorer clinical outcomes, and significant gaps remain in defining the optimal care path for treating CD. Toward this goal, the primary aim of this study was to characterize individual differences in substance use and psychiatric symptomology in an inpatient clinical sample using a person-centred approach. Admission assessment data from a private inpatient service treating mental disorders, substance use, and concurrent disorders was used (n = 177). Latent profile analysis (LPA) was performed to classify individuals into statistically distinct latent profiles based on their psychiatric symptoms and polysubstance use as covariates. LPA revealed four profiles. Profile 1 (20%) was identified as having low SUD and low psychiatric disorders, profile 2 (65%) was identified as having low SUD and high psychiatric disorders, profile 3 (8%) was characterized as high substance use and moderate psychiatric disorders and profile 4 (7%) was identified as the high SUD and high psychiatric disorders. The participants in the two profiles endorsing high SUDs, Profiles 3 and 4, showed significantly higher impulsivity in terms of higher positive urgency sensation-seeking scores compared to the other profiles and the highest use of cocaine/stimulants than the other two. Identifying clinical heterogeneity by classifying individuals into distinct profiles is a first step toward designing more targeted and personalized interventions in clinically complex inpatient populations.
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 | 0,001 |
| 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 ».