Which substances pose the greatest risk of substance use disorder after controlling for polysubstance use?
Notice bibliographique
Résumé
Both physiological and epidemiological research suggest that certain psychoactive substances have a greater potential for abuse (e.g. heroin) than others (e.g. hallucinogens). The use of multiple substances is also associated with a higher risk of substance use disorder (SUD). The goal of the present study was to evaluate the association between the use of different substances and the risk of SUD while accounting for polysubstance use. Data from the 2021 National Survey on Drug Use and Health (n = 58,034, unweighted) were used. Eight different substances (i.e. Alcohol, Cannabis, Cocaine, Inhalants, Hallucinogens, Heroin, Methamphetamine, and Opiate Misuse) were compared with respect to their typical frequency of use; the prevalence of SUD among individuals using each substance; the odds of SUDs when controlling for polysubstance use; and the rate of other substance use among those with a substance-specific SUD. Notable differences were found regarding the frequency of use and the rate of SUD among individuals reporting past year use. Heroin and methamphetamine were associated with the highest risk of SUD across all analyses. In contrast, hallucinogens and inhalants were consistently identified as having the lowest risk. The present results confirm that certain substances appear to have an inherently greater association with SUD compared to other substances. While these findings are not fundamentally divergent from prior epidemiological studies or ranking systems, they provide a more solid empirical foundation for assumptions of differential risk.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».