Predictors of perceived symptom change with acute cannabis use for mental health conditions in a naturalistic sample: A machine learning approach
Notice bibliographique
Résumé
BACKGROUND: Despite limited clinical evidence of its efficacy, cannabis use has been commonly reported for the management of various mental health concerns in naturalistic field studies. The aim of the current study was to use machine learning methods to investigate predictors of perceived symptom change across various mental health symptoms with acute cannabis use in a large naturalistic sample. METHODS: Data from 68,819 unique observations of cannabis use from 1307 individuals using cannabis to manage mental health symptoms were analyzed. Data were extracted from Strainprint®, a mobile app that allows users to monitor their cannabis use for therapeutic purposes. Machine learning models were employed to predict self-perceived symptom change after cannabis use, and SHapley Additive exPlanations (SHAP) value plots were used to assess feature importance of individual predictors in the model. Interaction effects of symptom severity pre-scores of anxiety, depression, insomnia, and gender were also examined. RESULTS: The factors that were most strongly associated with perceived symptom change following acute cannabis use were pre-symptom severity, age, gender, and the ratio of CBD to THC. Further examination on the impact of baseline severity for the most commonly reported symptoms revealed distinct responses, with cannabis being reported to more likely benefit individuals with lower pre-symptom severity for depression, and higher pre-symptom severity for insomnia. Responses to cannabis use also differed between genders. CONCLUSIONS: Findings from this study highlight the importance of several factors in predicting perceived symptom change with acute cannabis use for mental health symptom management. Mental health profiles and baseline symptom severity may play a large role in perceived responses to cannabis. Distinct response patterns were also noted across commonly reported mental health symptoms, emphasizing the need for placebo-controlled cannabis trials for specific user profiles.
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) | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».