Adolescent Alcohol Use Trajectories: Risk Factors and Adult Outcomes
Notice bibliographique
Résumé
OBJECTIVES: Adolescents often display heterogenous trajectories of alcohol use. Initiation and escalation of drinking may be important predictors of later harms, including alcohol use disorder (AUD). Previous conceptualizations of these trajectories lacked adjustment for known confounders of adolescent drinking, which we aimed to address by modeling dynamic changes in drinking throughout adolescence while adjusting for covariates. METHODS: = 1813) were used to model latent class alcohol use trajectories over 5 annual follow-ups (mean age = 13.9 until 17.8 years). Regression models were used to determine whether child, parent, and peer factors at baseline (mean age = 12.9 years) predicted trajectory membership and whether trajectories predicted self-reported symptoms of AUD at the final follow-up (mean age = 18.8 years). RESULTS: = 295). Having more alcohol-specific household rules reduced risk of early-onset heavy drinking compared with late-onset moderate drinking (relative risk ratio: 0.31; 99.5% confidence interval [CI]: 0.11-0.83), whereas having more substance-using peers increased this risk (relative risk ratio: 3.43; 99.5% CI: 2.10-5.62). Early-onset heavy drinking increased odds of meeting criteria for AUD in early adulthood (odds ratio: 7.68; 99.5% CI: 2.41-24.47). CONCLUSIONS: Our study provides evidence that parenting factors and peer influences in early adolescence should be considered to reduce risk of later alcohol-related harm. Early initiation and heavy alcohol use throughout adolescence are associated with increased risk of alcohol-related harm compared with recommended maximum levels of consumption (late-onset, moderate drinking).
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) | 0,000 | 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 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 ».