Changes in Rates of Hospitalizations due to Cannabis Harms in Ontario, Canada Before the Legalization of Nonmedical Cannabis: Retrospective Population-level Study Between 2003 and 2017
Notice bibliographique
Résumé
OBJECTIVES: To assess the burden of hospitalizations due to cannabis harms in Ontario, Canada before Canada's legalization of nonmedical cannabis. METHODS: We conducted a retrospective population-level study that included all individuals living in Ontario between 2003 and 2017. We described patterns of hospitalizations due to cannabis harms in men and women by demographics, socioeconomic factors, and mental health comorbidities. We calculated annual crude rates of hospitalizations due to cannabis harms and assessed time trends using Poisson regression models. RESULTS: There were 39,092 hospitalizations due to cannabis harms among 32,811 unique individuals. Annual hospitalizations due to a cannabis harm increased by 176% between 2003 and 2017 (1712 vs 4730), with increases noted for all age groups and sexes. Rates of hospitalizations due to cannabis harms were greater in young adults, low-income individuals, and those with mental health comorbidities. Overall, the rate of hospitalizations due to cannabis harms increased on average by 7.8% per year (95% CI 7.5-8.0). Women aged 15 to 24 experienced the largest average annual increase (12.2% per year, 95% CI 11.5 to 12.8). CONCLUSIONS: There are distinct patterns of hospitalizations due to cannabis harms in different priority populations. Young women aged 15 to 24 are a key demographic that is disproportionately burdened with a rapid increase in hospitalizations due to cannabis harms. Jurisdictions considering new approaches to cannabis control policy and addiction services should consider the rising burden of harms faced by youth and young adults when planning interventions.
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 | 0,002 |
| 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 | 0,000 |
| 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 ».