The association between health conditions and cannabis use in patients with opioid use disorder receiving methadone maintenance treatment
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: Cannabis is the most commonly used substance among patients in methadone maintenance treatment (MMT) for opioid use disorder. Current treatment programmes neither screen nor manage cannabis use. The recent legalisation of cannabis in Canada incites consideration into how this may affect the current opioid crisis. AIMS: Investigate the health status of cannabis users in MMT. METHOD: Patients were recruited from addiction clinics in Ontario, Canada. Regression analyses were used to assess the association between adverse health conditions and cannabis use. Further analyses were used to assess sex differences and heaviness of cannabis use. RESULTS: We included 672 patients (49.9% cannabis users). Cannabis users were more likely to consume alcohol (odds ratio 1.46, 95% CI 1.04-2.06, P = 0.029) and have anxiety disorders (odds ratio 1.75, 95% CI 1.02-3.02, P = 0.043), but were less likely to use heroin (odds ratio 0.45, 95% CI 0.24-0.86, P = 0.016). There was no association between cannabis use and pain (odds ratio 0.98, 95% CI 0.94-1.03, P = 0.463). A significant association was seen between alcohol and cannabis use in women (odds ratio 1.79, 95% CI 1.06-3.02, P = 0.028), and anxiety disorders and cannabis use in men (odds ratio 2.59, 95% CI 1.21-5.53, P = 0.014). Heaviness of cannabis use was not associated with health outcomes. CONCLUSIONS: Our results suggest that cannabis use is common and associated with psychiatric comorbidities and substance use among patients in MMT, advocating for screening of cannabis use in this population. DECLARATION OF INTEREST: None.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 découle