Adolescent cannabis use and young adult healthcare use in a population-based birth cohort linked to healthcare administrative records
Notice bibliographique
Résumé
Introduction Evidence links early adolescent cannabis use (CU) to long-term health risks, but most studies lack comprehensive early-life confounder data and rely on subjective health measures. Objectives To assess the association between adolescent CU trajectories and healthcare use for physical and mental health problems (P&MHP) in young adulthood. Methods Data from the Québec Longitudinal Study of Child Development, a 23-year population-based birth cohort (N = 1,591), were linked to healthcare administrative records (hospitalizations, outpatient, and ER visits). CU trajectories (exposure) were derived from age of onset and frequency data (ages 12-17) using group-based trajectory modeling. Missing data on pre-exposure confounders were multiply imputed. Overlap-weighted logistic regression was used to assess the adjusted associations between these trajectories and healthcare use for P&MHP between ages 18-23. Results Three CU trajectories were identified: non-users, late users, and early users (Figure 1). Early users had a higher risk of healthcare use for any mental disorder (OR 1.55, 95% CI 1.17-2.06), common mental disorders (OR 1.69, 95% CI 1.19-2.39), substance-related disorders (OR 2.25, 95% 1.24-4.10), and hospitalizations for physical diseases (OR 1.57, 95% CI 1.03-2.38) compared to non-users. No significant differences were found between late and non-users. Image 1: Conclusions These findings highlight the need for targeted interventions during adolescence to mitigate long-term health risks. Prevention efforts should prioritize early users, and be focused on integrated social, mental, and physical care. Disclosure of Interest None Declared
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».