Use of cannabis for mental health in the Canadian territories: a cross-sectional study
Notice bibliographique
Résumé
Background Population prevalence and patterns of cannabis use for mental health (CUMH) are underexplored. This is important to understand in the Canadian territories which has the highest prevalence of cannabis use in Canada. This study aimed to examine socio-demographic factors associated with CUMH in the territories and associations between CUMH and cannabis use outcomes.Methods This study is a cross-sectional analysis of survey data from the 2022 Cannabis Policy Study in the Territories, including 2431 respondents aged 16+. Multivariable logistic regression models were used to examine socio-demographic characteristics associated with CUMH. Among past 12-month cannabis consumers, multivariable logistic regression models were used to examine whether CUMH was associated with daily/near-daily use, cannabis product type, healthcare interactions, and self-reported impacts on mental health, controlling for socio-demographic characteristics.Results Overall, 29.6% of all participants, and 55.5% of past 12-month cannabis consumers reported ever using cannabis for mental health. Use for mental health was higher among those with lower education, lower perceived income adequacy, and younger ages. Those reporting CUMH were more likely to report daily/near-daily use (ORadj = 3.00, 95%CI: 2.01–4.49), potent product types like solid concentrates (ORadj = 2.76, 1.62–4.70), and perceived positive impacts on mental health (ORadj = 3.71, 2.49–5.52).Conclusion Due to the high prevalence of CUMH, more research is needed to examine its long-term impacts and effectiveness. Future research is also needed to understand the social context underlying socioeconomic inequalities in CUMH, including access to mental healthcare and harm reduction measures for mitigating adverse mental health impacts.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».