Polysubstance Use Disorders in Individuals with Cannabis Use Disorder: Results from a Nationally Representative Sample (National Epidemiologic Survey on Alcohol and Related Conditions)
Notice bibliographique
Résumé
Objective: Cannabis use disorder (CUD) is one of the most common substance use disorders (SUDs) worldwide and is frequently associated with high rates of polysubstance use; however, despite rising rates of polysubstance use disorders (PUD), the characteristics of individuals with both CUD and PUD remain unclear. This study, therefore, aims to examine social and clinical characteristics of adults diagnosed with CUD and comorbid PUD. It also aims to assess whether psychiatric disorders are linked to higher odds of PUD among individuals with CUD. Methods: Using a nationally representative U.S. dataset, we assessed 972 individuals with past-year DSM-5 CUD, grouped as CUD only, CUD individuals with one additional SUD (CUD + 1), and CUD individuals with two or more SUDs (CUD + 2). Descriptive statistics summarized social and clinical presentations; multivariate logistic regression examined factors contributing to PUD, controlling for clinical diagnoses and childhood maltreatment. Results: Among CUD individuals, 89.3% ( n = 868) used at least one other substance in the past year, with 34.2% ( n = 332) using two or more. Both the CUD + 1 and CUD + 2 groups experienced significantly more severe childhood maltreatment than CUD only. After adjusting for controls, personality disorders were associated with membership in the CUD + 1 group (odds ratio [OR]: 1.88, p = 0.01); mood disorders were associated with a higher likelihood of being in the CUD + 1 group (OR: 1.50, p = 0.049) and CUD + 2 group (OR: 2.58, p = 0.005). Conclusion: Mood and personality disorders were highly prevalent and linked with PUD in CUD cases. We recommend screening for these disorders in complex CUD cases.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».