Associations between eating disorders and illicit drug use among college students
Notice bibliographique
Résumé
OBJECTIVE: To estimate the associations between a positive eating disorder screen and any lifetime eating disorder diagnosis and illicit drug use among a large, diverse sample of college students. METHOD: We analyzed data from the national (United States), cross-sectional 2018-2019 Healthy Minds Study (HMS; n = 42,618; response rate: 16%). HMS collects information on the physical, mental, and social health of college students. Multiple logistic regression analyses were used to estimate the association between a positive eating disorder screen (measured using the SCOFF) and any self-reported lifetime eating disorder diagnosis and self-reported illicit drug use in the past 30 days (any illicit drug use and use of marijuana, cocaine, heroin, methamphetamines, stimulants, ecstasy, opioids, benzodiazepines), while adjusting for potential confounders. RESULTS: Among the sample, 54.34% (n = 28,608) were female and the mean age of participants was 23.30 (SE ± 0.05) years. Logistic regression analyses revealed unique associations between a positive eating disorder screen and any lifetime eating disorder diagnosis and illicit drug use among the sample of college student participants. A positive eating disorder screen was most strongly associated with methamphetamine use (adjusted odds ratio [AOR] 3.93, 95% confidence interval [CI] 1.43-10.78), and any lifetime eating disorder diagnosis was most strongly associated with benzodiazepine use (AOR 3.42, 95% CI 2.28-5.13). DISCUSSION: Illicit drug use is common among college students who screen positive for an eating disorder and report any lifetime eating disorder diagnosis. The co-occurring nature of eating disorders and illicit drug use may complicate treatment and lead to compounded adverse health outcomes.
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 | 0,001 | 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 | 0,001 | 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 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 ».