Understanding Contributors of Resilience in Youth With Childhood‐Onset Systemic Lupus Erythematosus Through a Socioecological Lens: A Mixed‐Methods Study
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to identify themes contributing to resilience in childhood-onset systemic lupus erythematosus (cSLE), distinguish between profiles of resilience, and examine how they relate to underlying themes and patient characteristics. METHODS: We conducted a mixed-methods study of 21 patients with cSLE aged 11 to 19 years at a Canadian tertiary care center from October 2022 to July 2024. We purposively sampled patients belonging to ethnically and culturally diverse backgrounds to complete semistructured interviews. We qualitatively defined features of resilience and distinguished profiles of low versus high socioecological resilience according to patient median on the Child and Youth Resilience Measure-Revised (CYRM-R). Profiles were then related to sociodemographic (eg, adverse childhood experiences, health literacy), disease features (eg, age at diagnosis, disease duration), and patient-reported outcomes (eg, anxiety and depressive symptoms). RESULTS: Factors contributing to resilience were grouped into five themes: familial environment, social support beyond family, health services and information, life with SLE, and sense of self. Cultural influences were reported to impact several themes. Patients with high resilience (scores above 73 on CYRM-R) reported more facilitators in each thematic area, whereas patients with low resilience experienced more challenges in these areas, in addition to greater number of adverse childhood experiences, lower health literacy, earlier age at diagnosis, longer disease duration and poorer mental health. CONCLUSION: Findings support a dynamic model of resilience, shaped by a combination of sociodemographic, disease, personal, cultural and social factors. This improved understanding of resilience may help direct comprehensive care for youth with cSLE and guide targeted interventions for youth at risk of poor 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 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 | 0,009 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».