Factors Associated with Problematic Cannabis Use in a Sample of Medical Cannabis Dispensary Users
Notice bibliographique
Résumé
Background: With the recent legalization of cannabis for medical purposes in many countries, there has been an increased number of individuals using such products. While there is considerable evidence indicating that cannabis may have therapeutic effects for a range of different conditions, concerns remain about the risk of developing cannabis use disorders for those at risk, or patients without appropriate clinical guidance. The aim of the present study was to determine the prevalence of problematic cannabis use in a cohort of cannabis users who consumed the drug for medical purposes and to identify potential risk factors. Methods: One hundred individuals who self-identified as using cannabis to improve their mental health were recruited from a community dispensary. Extensive details were collected about subjects' patterns of cannabis use and reasons for use. All subjects completed a structured clinical interview with the Mini-International Neuropsychiatric Interview, while information about perceived stress, depressive symptoms, and somatic symptoms were recorded with the Perceived Stress Scale-10, Beck Depression Inventory, and the Patient Health Questionnaire-15. Results: Rates of problematic cannabis use were high, with 30% meeting the criteria. Only 10% of subjects reported medical cannabis use was recommended by their doctor. Significant risk factors for problematic use included earlier age of cannabis initiation, as well as self-reported use of cannabis products for depression. Conclusions: The prevalence of problematic cannabis use in the community dispensary was higher than expected. Specific risk factors for problematic cannabis use may represent important areas for future intervention to ensure safer consumption for medical purposes.
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 | 0,002 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».