Predictors of p factor scores in children with chronic physical illness
Notice bibliographique
Résumé
BACKGROUND: The p factor represents the overall liability for the development of mental illness within individuals and we have previously validated a bi-factor model of the p factor in children with chronic physical illness. OBJECTIVE: In this next phase, we modelled predictors of the p factor in this sample of children. METHODS: Data come from the ongoing Multimorbidity in Children and Youth Across the Life-course study. Data from 263 children with a chronic physical illness aged 2-16 years and their parents were collected over 24 months. The parent-reported Emotional Behavioural Scales was used to develop a bi-factor model of the p factor. Subsequently, p factor scores were extracted from the model and standardized (Mean = 100, SD = 15). Analysis of variance compared p factor scores across different physical illnesses. Multiple regression was used to identify multilevel baseline predictors of p scores. RESULTS: There was no significant difference in p scores across categories of physical illness (F = 0.44, p = 0.849). Factors predictive of elevated p scores were older child age (B = 0.44), higher level of disability (B = 1.03), elevated parent psychopathology (B = 0.22) and stress (B = 0.21), and living in communities with older age and lower labor force participation (B = 1.66) and higher concentrations of racialized/newcomer populations (B = 2.05). Lower p scores were associated with being female (B = -3.85) and having immigrant parents (B = -5.43). CONCLUSION: Factors predicting psychopathology, measured using p scores, in children with physical illness are multilevel. Fixed characteristics can inform targeted screening efforts, whereas modifiable characteristics are opportunities for upstream intervention in the context of family-centered integrated physical-mental health services.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».