Medical Cannabis Use Among Canadian Veterans and Non-Veterans: A National Survey
Notice bibliographique
Résumé
Background: Medical cannabis (MC) is used by Canadian Veterans to manage a wide range of health issues. However, there is little information comparing the reasons for MC use and its perceived effectiveness between Veterans and non-Veterans. Objects: We compared MC use among a convenience sample of Canadian Veterans and with non-Veteran controls, including demographics, reasons and patterns of use, and perceived effectiveness. Methods: Between November and December 2021, Canadian Veterans using cannabis were invited to participate in a survey using a national press release, social media, and announcements on online platform dedicated to promoting health among Canadian Veterans and non-Veterans during the pandemic (www.MissionVav.com). The survey was also mentioned in a monthly newsletter from Veteran Affairs Canada. Self-reported effectiveness was evaluated using a 0 to 10 visual analogue scale (0 being not all effective, 10 being the most effective). Results: The survey was completed by 157 people, including 108 (69%) males and 49 (31%) females. The mean age was 57 years (range 19 to 84). Among responders, 90 (63%) identified as Veterans. The most common reasons for MC use among Veterans included: insomnia (80%), anxiety (73%), and depression (52%). Veterans reported medical conditions such as chronic pain (88%) and arthritis (51%). Compared with non-Veterans, Veterans were significantly more likely to be male (83% vs. 49%), have a higher BMI (35.2 vs. 30.9), to report problems with sleep, anxiety, depression, and PTSD, and to use cannabis in edible form (51% vs. 22%). Self-reported mean effectiveness scores for MC were highest for PTSD (8.4), insomnia (8.2), anxiety (8.1), depression (8.0), and chronic pain (7.6). Conclusions: We found important differences in user characteristics and cannabis use patterns between Canadian Veterans and non-Veterans. Further controlled studies are required to validate these findings, but these data suggest that orally administered cannabis products may be worth further study.
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 | 0,003 | 0,012 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».