Using Latent Profile Analysis to Characterize Clinical Heterogeneity and Impulsivity in a Large Residential Addiction Treatment Program
Notice bibliographique
Résumé
Objectives: Clinical heterogeneity among patients in addiction treatment settings represents a challenge as most of the treatment programs are designed to treat substance use disorders (SUD) generally rather than offering more tailored approaches addressing individual patient needs. Systematic characterization of clinical heterogeneity may permit more individualized care paths toward improving outcomes. Methods: Data were collected from a large inpatient SUD treatment program between April 2018 and March 2020 (n = 1519). Latent profile analysis (LPA) was applied to identify latent clusters based on differences in substance use and co-occurring depression, anxiety, and post-traumatic stress disorder. Results: Five distinct profiles emerged: Profile 1 (38%) exhibited the lowest substance use and lowest psychiatric severity (Overall Low); Profile 2 (39%) exhibited high alcohol and psychiatric severity; Profile 3 (13%) exhibited high opioid severity and low psychiatric severity. Profile 4 (8%) exhibited high cannabis use and high psychiatric severity, and profile 5 (3%) exhibited high polysubstance use other than alcohol and cannabis use. The latter two profiles were younger and exhibited higher self-regulatory deficits. The (High Alc/high psych) and the (High Cann/Psych) profiles exhibited differentially higher psychiatric severity. Profiles showing high polysubstance use, as well as high cannabis use and high psychiatric severity, showed significantly higher impulsive behavior than the others. Conclusions: LPA revealed five clusters of patients varying substantially in terms of SUD and psychiatric severity. Addressing common features of clinical heterogeneity for tailored care paths in a personalized treatment approach may improve treatment outcomes.
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) | 0,001 | 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 ».