Impact of Legalized Recreational Cannabis on Emergency Department Presentations: A Systematic Review
Notice bibliographique
Résumé
Background: The advent of recreational cannabis legalization (RCL) has altered public health circumstances globally, and as cannabis and cannabis-related harms are measured, the impact on emergency department (ED) presentations has received growing attention. Countries such as Canada and Uruguay, and jurisdictions including several States in the United States, the European Union, and Oceania have recently adopted RCL; therefore, further understanding of the implications for the healthcare system is warranted. Aim: The objectives of this review are to summarize evidence from 2016 to 2024 about the global impact of RCL on ED presentations, specifically cannabis-related harms, as well as specific population and socio-demographic differences. Methods: A systematic review was conducted in PubMed, EMBASE, PsycINFO, and Web of Science with searches up to November 2024. Of these, sixty studies were peer-reviewed and had longitudinal, cohort, or time-series designs, which resulted in quantitative data collected over the designated review time period. Extracted data included ED visit rates, demographics, clinical outcomes, and health care costs from various regions worldwide. Results: Increased ED visits for cannabis-related presentation due to RCL was reported based on available evidence, including a 2.6-fold increase in ED visits for pediatric poisonings with cannabis, an increase in presentations for cannabis hyperemesis syndrome (CHS), and an increased number of ED visits, in some studies up to 5-fold, due to psychiatric presentations, e.g., psychosis. Demographic factors indicate adolescents, younger adults, and disproportionately marginalized populations are more affected by RCL than others. Some differences in the impact of RCL and cannabis-related issues were noted. Conclusion: RCL is increasing the burden placed on EDs around the world, and they will need to be addressed with tailored health policies, including better state regulation, education, mental health supports, etc.
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 | 0,004 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».