Cannabis use is associated with reduced prevalence of progressive stages of alcoholic liver disease
Notice bibliographique
Résumé
BACKGROUND: Abusive alcohol use has well-established health risks including causing liver disease (ALD) characterized by alcoholic steatosis (AS), steatohepatitis (AH), fibrosis, cirrhosis (AC) and hepatocellular carcinoma (HCC). Strikingly, a significant number of individuals who abuse alcohol also use Cannabis, which has seen increased legalization globally. While cannabis has demonstrated anti-inflammatory properties, its combined use with alcohol and the development of liver disease remain unclear. AIM: The aim of this study was to determine the effects of cannabis use on the incidence of liver disease in individuals who abuse alcohol. METHODS: We analysed the 2014 Healthcare Cost and Utilization Project-Nationwide Inpatient Sample (NIS) discharge records of patients 18 years and older, who had a past or current history of abusive alcohol use (n = 319 514). Using the International Classification of Disease, Ninth Edition codes, we studied the four distinct phases of progressive ALD with respect to three cannabis exposure groups: non-cannabis users (90.39%), non-dependent cannabis users (8.26%) and dependent cannabis users (1.36%). We accounted for the complex survey sampling methodology and estimated the adjusted odds ratio (AOR) for developing AS, AH, AC and HCC with respect to cannabis use (SAS 9.4). RESULTS: Our study revealed that among alcohol users, individuals who additionally use cannabis (dependent and non-dependent cannabis use) showed significantly lower odds of developing AS, AH, AC and HCC (AOR: 0.55 [0.48-0.64], 0.57 [0.53-0.61], 0.45 [0.43-0.48] and 0.62 [0.51-0.76]). Furthermore, dependent users had significantly lower odds than non-dependent users for developing liver disease. CONCLUSIONS: Our findings suggest that cannabis use is associated with a reduced incidence of liver disease in alcoholics.
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 | 0,000 | 0,003 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».