Attention-Deficit/Hyperactivity Disorder and Alcohol and Other Substance Use Disorders in Young Adulthood: Findings from a Canadian Nationally Representative Survey
Notice bibliographique
Résumé
AIM: (a) To document the prevalence and odds of (i) alcohol use disorders, (ii) cannabis use disorders, (iii) other drug use disorders and (iv) any substance use disorder (SUD), among young adults with and without ADHD, and (b) to investigate the degree to which the association between ADHD and SUDs is attenuated by socio-demographics, early adversities and mental health. METHOD: Secondary analysis of the nationally representative Canadian Community Health Survey-Mental Health (CCHS-MH). The sample included 6872 respondents aged 20-39, of whom 270 had ADHD. The survey response rate was 68.9%. MEASUREMENTS: Substance Use Disorder: World Health Organization's Composite International Diagnostic Interview criteria, SUDs, were derived from lifetime algorithms for alcohol, cannabis and other substance abuse or dependence. ADHD was based on self-report of a health professional's diagnosis. FINDINGS: One in three young adults with ADHD had a lifetime alcohol use disorder (36%) compared to 19% of those without ADHD (P < 0.001). After adjusting for all control variables, those with ADHD had higher odds of developing alcohol use disorders (OR = 1.38, 95% CI: 1.05, 1.81), cannabis use disorders (OR = 1.46, 95% CI: 1.06, 2.00), other drug use disorders (OR = 2.07, 95% CI: 1.46, 2.95) and any SUD (OR = 1.69, 95% CI: 1.28, 2.23). History of depression and anxiety led to the largest attenuation of the ADHD-SUD relationship, followed by childhood adversities and socioeconomic status. CONCLUSIONS: Young adults with ADHD have a high prevalence of alcohol and other SUDs. Targeted outreach and interventions for this extremely vulnerable population are warranted.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».