Medical Cannabis and Past-Year Cannabis Use Disorder Among Adult Recreational Users in the United States: Results From a Nationally Representative Sample
Notice bibliographique
Résumé
Introduction: With the increasing number of cannabis users and more jurisdictions allowing medical cannabis, more evidence-based knowledge about the prevalence of cannabis use disorder (CUD) among medical users is greatly needed. Objectives: To examine and compare the prevalence and severity of CUD and the prevalence of different CUD criteria among two groups: those who combine recreational and medical use vs. those who exclusively use cannabis recreationally. To examine the association between CUD and sociodemographic characteristics, medical conditions, and psychiatric comorbidities between these two groups. Methods: The National Epidemiological Survey on Alcohol and Related Conditions III data were used, a US nationally representative in-person interview of 36,309 adults aged ≥18 years collected in 2012-2013. The statistical examination included proportion comparison hypothesis testing and linear regressions, all using complex survey design analysis procedures. Results: Recreational users who used cannabis also for medical purposes had a higher prevalence of CUD in general, as well as mild and moderate CUD than users who used cannabis only for recreational purposes. CUD is more prevalent in recreational, medical users with the following characteristics: young, male, non-white, living in the Midwest, using a greater amount of cannabis, having a concurrent mental disorder, and had CUD before the past year. Conclusion: Recreational, medical cannabis users have a higher likelihood of having CUD. Although the results should be taken with caution, given the lack of established validity of CUD among medical users, health care professionals who prescribe or recommend the use of cannabis for medical purposes should take this into consideration while evaluating the risks/benefits ratio of cannabis. They need to assess patients' recreational cannabis use, screen for CUD, and educate users about the possible complications caused by cannabis use.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».