Predicción de la presencia e intensidad del trastorno por estrés postraumático en víctimas de un ataque con bomba 32 meses después
Bibliographic record
Abstract
Resumen Introducción Nuestro objetivo era identificar los factores que predicen la presencia y la gravedad del trastorno por estrés postraumático (TEPT) después de un ataque terrorista. Población Evaluamos a 32 víctimas de un ataque con bomba en el metro de París en diciembre de 1996 a los 6 y a los 32 meses. Métodos Se utilizaron las características sociodemográficas, los datos clínicos y las lesiones físicas para predecir la presencia y la gravedad del TEPT en 32 víctimas. Se usó la Entrevista del Trastorno por Estrés Postraumático (PTSD-I) de Watson y la Escala del Impacto del Acontecimiento (IES) de Horowitz para evaluar la presencia y la gravedad del TEPT, respectivamente. Resultados El 39% de los participates cumplía los criterios de TEPT a los 6 meses y el 25% lo tenía todavía a los 32 meses. Las mujeres tenían TEPT 32 meses después del ataque con bomba con más frecuencia que los hombres. El empleo predecía la gravedad del trastorno a los 32 meses. Las puntuaciones del TEPT evaluado por el PTSD-I a los 6 meses se asociaban significativa y positivamente con las puntuaciones de la IES en el seguimiento a los 32 meses (r = 0,55, P = 0,004). El uso de medicamentos psicotropos antes del ataque con bomba predecía significativamente la presencia y la gravedad del TEPT a los 6 y a los 32 meses. En un modelo de regresión lineal, las lesiones físicas, la situación laboral y el uso de medicamentos psicotropos antes del ataque con bomba fueron predictores independientes de la gravedad del TEPT a los 32 meses. Conclusiones La exposición al ataque con bomba se tradujo en TEPT persistente en una proporción significativa de víctimas; las lesiones físicas, el uso de medicamentos psicotropos antes del ataque terrorista y la puntuación del TEPT unos meses después del ataque con bomba predecían la gravedad a los 32 meses.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".