Impact of Cannabis Smoking on Multiple Sleep Latency Test Outcomes
Notice bibliographique
Résumé
Our purpose was to evaluate how cannabis smoking influenced multiple sleep latency test (MSLT) outcomes. This was a retrospective study of all adults that had undergone a MSLT at St. Michael's Hospital (Toronto, Ontario, Canada) from 1 January 2008 until 31 December 2018. Three groups of persons were considered: active cannabis-only smokers, active tobacco-only smokers and non-active cannabis and tobacco smokers. A range of outcomes from the MSLT and preceding overnight polysomnogram were evaluated. Descriptive statistics at the univariate level were used. We identified a total of 139 individuals undergoing MSLT, of whom 9 (6.5%) were active cannabis-only smokers, 14 (10.0%) were active tobacco-only smokers and 116 (83.4%) were non-smokers. There were non-significant trends among cannabis-only smokers versus non-smokers and tobacco-only smokers towards lower mean sleep onset latency on MSLT (8.1 min vs. 9.2 min and 10.5 min, respectively) and there was a greater proportion of severe sleepiness (33.3% vs. 22.4% and 14.3%, respectively), having at least one REM sleep onset period (55.6% vs. 28.4% and 42.9%, respectively), narcolepsy diagnosis (22.2% vs. 8.6% and 7.1%, respectively), and idiopathic hypersomnia diagnosis (33.3% vs. 30.2% and 14.3%). Although we found no significant differences among the groups we evaluated, there were non-significant trends in multiple outcomes indicative of hypersomnia among active cannabis-only smokers, most notable of which were more frequent (and potentially incorrect) diagnoses of narcolepsy and idiopathic hypersomnia.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».