Alcohol and Illegal Drug Use Behaviors and Prescription Opioids Use: How Do Nonmedical and Medical Users Compare, and Does Motive to Use Really Matter?
Notice bibliographique
Résumé
BACKGROUND/AIMS: This study compares illegal drug and alcohol use behaviors between medical and nonmedical users of prescription opioids (PO) and nonmedical users with distinct motives to use. METHOD: An ethically approved cross-sectional study (2010) was conducted on a representative sample of private university students (n = 570), using a self-filled anonymous questionnaire. RESULTS: About 25% reported using PO only medically and 15% nonmedically. The prevalence of alcohol and illegal drug use was consistently higher among nonmedical than medical PO users. Adjusting for age and gender, lifetime medical users of PO were more likely to use marijuana only (OR = 1.8, 95% CI: 1.1, 2.8), while nonmedical users were at higher odds of using marijuana, ecstasy, cocaine/crack, and alcohol problematically. Compared to nonusers, students who took PO nonmedically for nontherapeutic reasons were more likely to use various illegal drugs, but nonmedical users who took PO to relieve pain/help in sleep were only more likely to use marijuana (OR = 2.5, 95% CI: 1.1, 5.4) and alcohol (e.g. alcohol abuse; OR = 3.8, 95% CI: = 1.4, 10.1). CONCLUSION: Youth who use PO nonmedically to self-treat have a different alcohol and illegal drug-using profile than those who take it for nontherapeutic reasons.
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 | 0,003 | 0,008 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».