Cluster Analysis of Symptom Types, Severity, Age, Gender, and Comorbidity in Pediatric Obsessive-Compulsive Disorder
Notice bibliographique
Résumé
Background: Obsessive-compulsive disorder (OCD) manifests in various ways and often co-occurs with other conditions, affecting about 70% of patients. This study aims to explore the underlying commonalities among OCD-affected children and adolescents in order to better conceptualize variations in disorder presentation.<br/>Methods: Data from seven international programs focusing on pediatric OCD were pooled, comprising 830 cases aged 5-19, with 54% being female. The severity and types of OCD symptoms were assessed using the Children’s Yale-Brown Obsessive-Compulsive Scale (CY-BOCS), while comorbid conditions were determined through diagnostic interviews. Dependent mixture modeling was employed to identify latent groups based on age, gender, symptom severity, type, and comorbidities.<br/>Results: The modeling revealed four distinct clusters, primarily differentiated by symptom expression and comorbidity types. While fit indices for 3-7 clusters showed minimal variance, cluster characteristics remained largely consistent across different models, with additional smaller clusters in more complex models.<br/>Conclusions: Integrating dimensional, developmental, and transdiagnostic information proved valuable in understanding OCD in children and adolescents. The identified clusters underscored the significance of contamination symptoms, associations between broader symptomatology and increased comorbidity, and the potential for intricate neurodevelopmental profiles. These clusters offer insights into potential adaptations for treatment approaches.<br/>
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 | 0,001 | 0,003 |
| 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) | 0,003 | 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 ».