Specific impact of stimulant, alcohol and cannabis use disorders on first-episode psychosis: 2-year functional and symptomatic outcomes
Notice bibliographique
Résumé
BACKGROUND: Many studies have concluded that cannabis use disorder (CUD) negatively influences outcomes in first-episode psychosis (FEP). However, few have taken into account the impact of concurrent misuse of other substances. METHODS: This 2-year, prospective, longitudinal study of FEP patients, aged between 18 and 30 years, admitted to early intervention programs in Montreal, Quebec, Canada, examined the specific influence of different substance use disorders (SUD) (alcohol, cannabis, cocaine, amphetamines) on service utilization, symptomatic and functional outcomes in FEP. RESULTS: Drugs and alcohol were associated with lower functioning, but drugs had a greater negative impact on most measures at 2-year follow-up. Half of CUD patients and more than 65% of cocaine or amphetamine abusers presented polysubstance use disorder (poly-SUD). The only group that deteriorated from years 1 to 2 (symptoms and functioning) were patients with persistent CUD alone. Outcome was worse in CUD than in the no-SUD group at 2 years. Cocaine, amphetamines and poly-SUD were associated with worse symptomatic and functional outcomes from the 1st year of treatment, persisting over time with higher service utilization (hospitalization). CONCLUSION: The negative impact attributed to CUD in previous studies could be partly attributed to methodological flaws, like including polysubstance abusers among cannabis misusers. However, our investigation confirmed the negative effect of CUD on outcome. Attention should be paid to persistent cannabis misusers, since their condition seems to worsen over time, and to cocaine and amphetamine misusers, in view of their poorer outcome early during follow-up and high service utilization.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».