Marijuana Legalization and Opioid Use Disorder in Ontario, Canada, From 2015 to 2021
Notice bibliographique
Résumé
This study examined the trends in opioid-related hospitalizations and deaths in Ontario, Canada, from 2015, to 2021, with a particular focus on the periods before and after cannabis legalization. The social problem addressed was the ongoing opioid crisis, exacerbated by rising opioid-related health issues. Grounded in the harm reduction theory, this research explored whether cannabis legalization could serve as a substitute to mitigate opioid use disorder. Data were extracted from the Discharge Database, Emergency Department Database, National Ambulatory Care Reporting System, and Hospital Morbidity Database. Analysis using the generalized estimation equation (GEE) method revealed a significant increase in opioid-related hospitalizations, which rose from a mean of 405.56 (SD = 38.67) in 2015 to 1486.33 (SD = 49.803) in 2021, representing 366% increase. The hospitalization rate notably increased twofold in 2020 and threefold in 2021 compared to 2015. A one-way ANOVA demonstrated a statistically significant effect of time on both hospitalizations, F(6,65) = 37.67, p < 0.001, and deaths, F(6,65) = 8.67, p < 0.001. The GEE analysis indicated a significant rise in monthly hospitalizations from the illegal to the legal cannabis period (B = 61.99, SE = 6.37, p < 0.001), along with significant yearly increases in opioid-related deaths from 2015 to 2021. These findings suggest that opioid-related health issues intensified during the cannabis legalization era, though the specific impact of the COVID-19 pandemic on these trends remains unclear. The study’s implications for social change include insights into the potential role of cannabis legalization as a harm reduction strategy, which could inform policies aimed at addressing the opioid crisis.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».