Cannabis use in patients treated for opioid use disorder pre- and post-recreational cannabis legalization in Canada
Notice bibliographique
Résumé
BACKGROUND: As the legalization of recreational cannabis becomes more widespread, its impact on individuals with substance use disorders must be studied. Amidst an ongoing opioid crisis, Canada's legalization of recreational cannabis in October 2018 provides an important setting for investigation. We examined changes to cannabis use patterns in patients receiving medication-assisted treatment (MAT) for opioid use disorder (OUD) following legalization. METHODS: This study includes cross-sectional data from 602 participants recruited 6 months pre-legalization and 788 participants recruited 6 months post-legalization, providing information on cannabis use. Regression analysis was used to estimate the association between legalization and cannabis use patterns. We collected longitudinal urine drug screens (UDSs) detecting cannabis-metabolites for 199 participants recruited pre-legalization and followed prospectively post-legalization. Conditional logistic regression was used to assess the association between legalization and UDS results. RESULTS: Past-month cannabis use was self-reported by 54.8 and 52.3% of participants recruited pre- and post-legalization, respectively. Legalization was not associated with changes in any measured cannabis characteristics: cannabis use (OR 0.91, 95% CI 0.73-1.13), days of use/month (B -0.42, 95% CI - 2.05-1.21), money spent, or cannabis source. There was no association between legalization and prevalence of cannabis use on UDS (OR 1.67, 95% CI 0.93-2.99) or percentage of cannabis-positive UDSs (OR 1.00, 95% CI 0.99-1.01). Participants overwhelmingly reported that legalization would have no impact on their cannabis use (85.7%). CONCLUSIONS: Amongst patients treated for OUD, no significant change in cannabis use was observed following legalization; however, high rates of cannabis use are noted.
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 | 0,000 | 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 ».