Gender Differences in Prevalence of Substance Use Disorders among Individuals with Lifetime Exposure to Substances: Results from a Large Representative Sample
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Research regarding substance use and substance use disorders (SUDs) shows significant gender differences in prevalence of substance use and dependence. Though lifetime exposure to substances is higher among males, previous reports have not regarded gender differences in prevalence of SUDs among individuals formerly exposed to substances. In addition, though substance abuse is particularly important when exploring gender differences, previous reports have largely focused on rates of transition to substance dependence alone. In this study, we explored gender differences in prevalence of SUDs among individuals with lifetime exposure to substances using a single diagnostic category (abuse or dependence). METHODS: We analyzed 11 different categories of substances: heroin, cocaine, cannabis, nicotine, alcohol, hallucinogens, inhalants, sedatives, tranquilizers, opioids, and amphetamines. Data were derived from the National Epidemiologic Survey on Alcohol and Related Conditions (Wave 1, n = 43,093). The impact of gender on prevalence of SUDs among individuals with lifetime exposure to substances was assessed with odds ratios (ORs) using logistic regressions and adjusted for socio-demographic factors. RESULTS: Our results show that among individuals with lifetime exposure to substances, males had a significantly higher prevalence of alcohol (OR = 2.95), sedatives (OR = 2.00), cannabis (OR = 1.93), tranquilizers (OR = 1.64), opioids (OR = 1.54), hallucinogens (OR = 1.31), and cocaine (OR = 1.26) use disorders compared with females. CONCLUSIONS AND SCIENTIFIC SIGNIFICANCE: Using a single broad diagnostic category highlights gender differences in the prevalence of SUDs among individuals with former exposure to substances. Specifically, the significant gender differences found for alcohol, sedatives, and cannabis use disorders may be important for tailoring preventive measures targeted at reducing rates of SUDs among males using these substances.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».