L’impact de la consommation du cannabis sur les symptômes psychiatriques : une étude transversale portant sur les troubles mentaux graves
Bibliographic record
Abstract
Objectif Le cannabis est la drogue la plus consommée au sein de la population générale, mais sa prévalence d’usage reste plus élevée chez les personnes souffrant de troubles mentaux graves. De plus, les données actuelles démontrent les effets délétères du cannabis sur la symptomatologie de ces maladies. L’étude transversale ci-présente vise donc à évaluer l’impact de la consommation du cannabis sur la symptomatologie psychiatrique des personnes avec un trouble mental grave en contrôlant l’effet des variables confondantes de l’âge, du sexe ainsi que de la consommation concomitante d’alcool ou de stimulants. Méthode Des analyses secondaires ont été effectuées sur les données de 72 participants provenant d’une étude antérieure. Leurs consommations de cannabis, d’alcool et de stimulants ont respectivement été mesurées à l’aide du Cannabis Use Problems Identification Test (CUPIT), du Alcohol Use Disorders Identification Test (AUDIT) et de la question sur la fréquence de consommation du Structured Clinical Interview for DSM-5 – Clinician Version pour les troubles liés à l’usage des stimulants (SCID-5-CV-TLUS). En lien avec la symptomatologie psychiatrique, celle-ci a été mesurée à l’aide du modèle à 5 sous-échelles du Positive and Negative Syndrome Scale (PANSS). Résultats Différents modèles linéaires explicatifs des symptômes du PANSS ont été réalisés à l’aide d’une combinaison de variables indépendantes, soit l’âge, le sexe, le CUPIT, l’AUDIT et la question sur la fréquence de consommation du SCID-5-CV-TLUS. Le modèle explicatif des symptômes d’excitation est statistiquement significatif ( F = 4,629, p = 0,001) et il permet de prédire 20,4 % de la variance de ces symptômes (R 2 ajusté = 0,204). Ici, le CUPIT est la variable qui influence le plus le modèle ( ß = 0,381 ; p < 0,001). Le modèle explicatif des symptômes positifs est également statistiquement significatif ( F = 3,631, p = 0,006) et il permet de prédire 15,6 % de la variance de ces symptômes (R 2 ajusté = 0,156). Or, le CUPIT n’influencerait pas de manière statistiquement significative ce modèle ( ß = 0,125 ; p = 0,272), mais la question sur la fréquence de consommation du SCID-5-CV-TLUS l’influencerait ( ß = 0,399 ; p = 0,001). De plus, la question sur la fréquence de consommation du SCID-5-CV-TLUS influence également le modèle explicatif des symptômes d’excitation ( ß = 0,273 ; p = 0,022). Conclusion Bien que d’autres études, idéalement longitudinales, soient nécessaires pour confirmer l’impact péjoratif du cannabis sur les symptômes d’excitation, l’étude ci-présente réitère l’importance de dépister et de prendre en charge les habitudes de consommation de drogues, particulièrement le cannabis, chez les personnes atteintes de troubles mentaux graves.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".