Troubles psychotiques et consommation de cannabis : évolution des hospitalisations au Canada, 2006-2015
Bibliographic record
Abstract
Introduction Dans le contexte des changements récents et en cours concernant le statut juridique de la consommation de cannabis à des fins récréatives, il est important de comprendre les répercussions de cette consommation sur le système de santé afin de pouvoir évaluer le poids des changements dans les politiques. Cette étude visait à examiner, dans le contexte précédant la légalisation du cannabis, l’évolution des hospitalisations pour un trouble mental ou comportemental lié à la consommation de cette substance, en fonction d’un certain nombre de facteurs sociodémographiques et d’affections cliniques. Méthodologie Nous avons extrait le nombre total d’hospitalisations en psychiatrie pour un diagnostic principal de trouble mental ou du comportement lié à l’utilisation de dérivés du cannabis (CIM10CA, code F12) de la Base de données sur la santé mentale en milieu hospitalier (BDSMMH) pour 20062015. Nous avons pris en compte les hospitalisations de toutes les provinces et tous les territoires sauf le Québec. Nous présentons les taux (pour 100 000 personnes) et les proportions d’hospitalisation par affection clinique, par tranche d’âge, par sexe et par année. Résultats Non seulement le taux d’hospitalisation liée au cannabis a doublé au Canada entre 2006 et 2015, mais les hospitalisations pour le code d’affection clinique « Troubles mentaux et du comportement liés à l’utilisation de dérivés du cannabis, trouble psychotique » (F12.5) a triplé, représentant près de la moitié (48 %) de l’ensemble des hospitalisations liées au cannabis en 2015. Conclusion D’autres recherches sont nécessaires pour déterminer les causes de l’augmentation des hospitalisations pour un trouble psychotique lié au cannabis. On suppose que l’introduction de nouveaux cannabinoïdes très puissants et de cannabinoïdes synthétiques sur le marché clandestin est l’un des facteurs y contribuant.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.007 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".