Cannabis use patterns among people with HIV before and after legalization
Notice bibliographique
Résumé
Cannabis use is highly prevalent and detrimental among people with HIV (PWH). Legislative changes in several states altered the legality and accessibility of cannabis. We examined pre-post legislative changes in current, daily, and severe use in PWH in clinical care. PWH engaged in the Centers for AIDS Research Network of Integrated Clinical Systems (CNICS) cohort from 3 sites/states were asked about past 3-month cannabis use on a routine clinical assessment of health behavior before and after legalization. A fourth site in a state without legalization served as a comparator. We used linear regression to estimate changes in use prevalence from 1 year before to 1 year after legalization. Among PWH (n=7885), from 1 year before to 1 year after legalization, cannabis use prevalence increased slightly in Boston, MA (32–38 %), Birmingham, AL (26–27 %), and San Diego, CA (25–29 %); and decreased in Seattle, WA (44–41 %). Contemporaneously, daily cannabis use increased modestly (less than 5 %) at all sites. Severe use (cannabis-specific ASSIST score ≥27) decreased or plateaued at all sites. No site showed significant change in prevalence trends of current, daily, or severe use 1 year before and after legalization in linear regression ( p >0.05). Few changes prevailed in cannabis use patterns around dates of legalization among PWH in care in the U.S. Relaxation of cannabis policy does not appear to result in an immediate increase in use among PWH. • Prevalence of current and daily cannabis use did not change among people with HIV following legalization of recreational use. • Severity of use mostly plateaued, but may decrease following legalization. • Relaxation of cannabis policy does not appear to result in increases in use among people with HIV.
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 | 0,000 | 0,000 |
| 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 ».