Correlates of cannabis use in a sample of mental health treatment-seeking Canadian armed forces members and veterans
Notice bibliographique
Résumé
OBJECTIVE: Canadian Armed Forces (CAF) members and Veterans are more likely to experience mental health (MH) conditions, such as posttraumatic stress disorder (PTSD), than the general Canadian population. Previous research suggests that an increasing number of individuals are employing cannabis for MH symptom relief, despite a lack of robust evidence for its effectiveness in treating PTSD. This research aimed to: (1) describe the prevalence of current cannabis use among MH treatment-seeking CAF members and Veterans; and (2) estimate the association between current cannabis use and a number of sociodemographic, military, and MH-related characteristics. METHOD: Using cross-sectional intake data from 415 CAF members and Veterans attending a specialized outpatient MH clinic in Ontario, Canada, between January 2018 and December 2020, we estimated the proportion of CAF members and Veterans who reported current cannabis use for either medical or recreational purposes. We used multivariable logistic regression to estimate adjusted odds ratios for a number of sociodemographic, military, and MH-related variables and current cannabis use. RESULTS: Almost half of the study participants (n = 187; 45.1%) reported current cannabis use. Respondents who reported current cannabis use for medical purposes had a higher median daily dose than those who reported current cannabis use for recreational purposes. The multivariable logistic regression identified younger age, lower income, potentially hazardous alcohol use, and increased bodily pain as statistically significant correlates of current cannabis use among our MH treatment-seeking sample. PTSD severity, depressive severity, sleep quality, and suicide ideation were not statistically associated with current cannabis use. CONCLUSIONS: Almost half of our treatment-seeking sample reported current cannabis use for medical or recreational purposes, emphasizing the importance of screening MH treatment-seeking military members and Veterans for cannabis use prior to commencing treatment. Future research building upon this study could explore the potential impact of cannabis use on MH outcomes.
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) | 0,000 | 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 ».