Alcohol and Sedative Use Disorders in the Lebanese Population: Role of Sleep and Psychiatric Factors
Notice bibliographique
Résumé
Introduction Alcohol and sedative substance use disorders are escalating global public health challenges. Lebanon has grappled with multiple crises, including economic, healthcare, and social issues. Objectives This study aimed to assess the correlates of the alcohol and sedative substance use risk scores with sociodemographic and clinical factors, including sleep disorders, chronotype, anxiety, and depression. Methods A cross-sectional study was conducted among the Lebanese population using several validated scales to assess the risk of alcohol and sedative substance use, including the Alcohol, Smoking, and Substance Involvement Screening Test (ASSIST). Other tools evaluated chronotype, sleep, and mood disturbances. Bivariate and multivariable analyses were then performed, taking the alcohol and sedative scores as dependent variables. Results A total of 646 participants were included. Multivariate analysis revealed positive and significant correlations between higher ASSIST-alcohol scores and personal history of alcohol abuse (B=4.61), family history of prescription substance abuse (B=1.763), psychiatric disorders (B=2.898), and worse Insomnia Severity Index scores (Beta=0.14). Conversely, ASSIST-alcohol scores negatively correlated with weight (B= -0.39) and morning chronotype (B=-0.084). Positive correlations were identified between higher ASSIST-alcohol scores and personal history of illicit substance abuse (B=2.834), prescription substance abuse (B=2.252), sleep quality (B=0.130), and sleep severity (B=0.082), while negatively correlating with cigarette smoking (B=-0.038). Conclusions This study elucidates the role of several predisposing factors to alcohol and sedative use disorders in Lebanon, including history of substance abuse, psychiatric disorders, sleep disorders, and chronotype. These findings advocate, in particular, for the integration of sleep disorder assessment and management into addiction rehabilitation programs. Disclosure of Interest None Declared
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».