Cross-sectional and longitudinal associations between adolescent vaping and physical and mental health problems
Notice bibliographique
Résumé
Purpose: Vaping among adolescents is concerning, given limited empirical evidence about effects on health. We examined associations between vaping and concurrent and new onset physical and mental health conditions in a sample of adolescents. Methods: Data were from Waves 1 to 3 of the longitudinal Well-Being and Experiences Study (n = 1002 aged 14-17 years at Wave 1) collected in Winnipeg, Manitoba (overall retention rate of 66.4 % at Wave 3). Past 30-day vaping was assessed at Wave 1. Health outcomes included both physical and mental health conditions. Data were analyzed using descriptive statistics and logistic regressions. Sex differences in associations were also examined. Results: At Wave 1, past 30-day vaping was reported by 27.8 % of the sample (28.1 % of males and 27.4 % of females); 42.1 % of adolescents reported having been diagnosed with at least one physical health condition, and 22.9 %, at least one mental health condition. Past 30-day vaping at Wave 1 was statistically significantly associated with concurrent mood disorders, alcohol/drug problems, and any mental health condition (odds ratios [ORs] = 1.77, 11.01, and 1.44, respectively) and new onset alcohol/drug problems and any mental disorder (ORs = 5.02 and 1.70, respectively) over the two-year follow-up period in unadjusted models. In fully adjusted models, only the association between vaping at Wave 1 and new onset alcohol/drug problems remained statistically significant (adjusted OR = 4.58). Associations was similar for males and females. Discussion: Vaping is common among adolescents. Providing youth with evidence-based data on potential harms might help them make informed decisions about vaping initiation, reduction, and cessation.
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 | 0,001 | 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 ».