Prevalence of alcohol, tobacco, cannabis and other illicit substance use in a population of Canadian adolescents with type 1 diabetes compared to a general adolescent population
Notice bibliographique
Résumé
BACKGROUND: Youth with chronic conditions may engage in risky behaviour to the same, if not higher, degree as their healthy peers. OBJECTIVES: To determine the prevalence of alcohol, tobacco, cannabis and illicit substance use in adolescents with type 1 diabetes (T1DM) compared to a general adolescent population. METHODS: Cross-sectional survey of adolescents with T1DM (13 to 18 years). A published contemporary Canadian youth survey on use of alcohol, tobacco and illicit drugs was used as data representative of the general adolescent population. Outcome measures between the T1DM and general group were compared using Chi-square and Fisher's exact test where appropriate. RESULTS: One hundred and sixty-four adolescents with T1DM (mean 15.6 years [SD 1.5]; 51.3% male) were participated. The proportions of adolescents with T1DM who have tried substances were: alcohol 51.8%, tobacco 27.4%, cannabis 22.6% and other illicit substances 7.3%. Compared to the general population (n=3469), there were no significant differences in the proportion of adolescents that reported ever consuming alcohol, tobacco or cannabis. Reported illicit substance use was significantly lower in adolescents with T1DM compared to general population (7.3% versus 36.0%, P<0.0001). CONCLUSIONS: Proportions reporting having ever consumed alcohol, tobacco or cannabis were not significantly different between the two groups. However, the proportion of adolescents with T1DM who reported ever consuming an illicit substance was different from the comparison group. It is important to explore risky behaviours with adolescents with T1DM and focus on prevention and education during routine clinic visits.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».