Comparing Medical and Recreational Cannabis Users on Socio-Demographic, Substance and Medication Use, and Health and Disability Characteristics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: While recreational cannabis use is common, medical cannabis programs have proliferated across North America, including a federal program in Canada. Few comparisons of medical and recreational cannabis users (RCUs) exist; this study compared these groups on key characteristics. METHODS: Data came from a community-recruited sample of formally approved medical cannabis users (MCUs; n = 53), and a sub-sample of recreational cannabis users (RCUs; n = 169) from a representative adult survey in Ontario (Canada). Samples were telephone-surveyed on identical measures, including select socio-demographic, substance and medication use, and health and disability measures. Based on initial bivariate comparisons, multivariate logistical regression with a progressive adjustment approach was performed to assess independent predictors of group status. RESULTS: In bivariate analyses, older age, lower household income, lower alcohol use, higher cocaine, prescription opioid, depression and anxiety medication use, and lower health and disability status were significantly associated with medical cannabis use. In the multivariate analysis, final model, household income, alcohol use, and disability levels were associated with medical cannabis use. Conclusions/Scientific Significance: Compared to RCUs, medical users appear to be mainly characterized by factors negatively influencing their overall health status. Future studies should investigate the actual impact and net benefits of medical cannabis use on these health problems.
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.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle