Tendances des hospitalisations et des consultations à l’urgence attribuables au cannabis : données de l’étude Coûts et méfaits de l’usage de substances au Canada (2007-2020)
Bibliographic record
Abstract
Introduction La prévalence de la consommation de cannabis continue à augmenter au sein de certaines populations au Canada. Cette étude porte principalement sur l’augmentation du nombre d’hospitalisations et de consultations à l’urgence attribuables au cannabis entre 2007 et 2020. Méthodologie Pour estimer le nombre d’hospitalisations et de consultations à l’urgence attribuables à la consommation de cannabis, nous avons obtenu des données au niveau de l’enregistrement sur les congés d’hôpital avec l’information diagnostique tirée de la CIM-10, et ce, pour tous les exercices de 2006-2007 à 2020-2021. L’information diagnostique a servi à associer chaque dossier à une catégorie de problème de santé pour huit substances, dont le cannabis. La prévalence de la consommation de cannabis a été estimée pour chaque province ou territoire, année civile, sexe et âge au moyen des données d’enquêtes nationales. Ces estimations ont été utilisées pour ajuster les estimations du risque relatif tirées de la littérature sur le cannabis afin de calculer les fractions attribuables au cannabis, qui ont à leur tour été utilisées afin d’estimer la proportion d’hospitalisations et de consultations à l’urgence attribuables à la consommation de cannabis. Résultats Entre 2007 et 2020, le taux global d’hospitalisations attribuables au cannabis a augmenté de 120 %, passant de 6,4 pour 100 000 en 2007 à 14,0 pour 100 000 en 2020. Les consultations à l’urgence attribuables au cannabis ont augmenté de 113 %, passant de 52,1 pour 100 000 en 2007 à 111,0 pour 100 000 en 2019, avant de diminuer de 12 % en 2020. Cette étude révèle que l’augmentation du nombre d’hospitalisations et de consultations à l’urgence est en partie attribuable aux troubles neuropsychiatriques, en particulier aux hospitalisations dues à des troubles psychotiques et aux consultations à l’urgence dues à des intoxications aiguës chez les enfants et les adolescents. Conclusion Une surveillance continue des méfaits causés par le cannabis est nécessaire pour comprendre les méfaits liés à la consommation et les facteurs qui influencent la façon dont les personnes consomment du cannabis et consultent pour obtenir des soins. De futures recherches pourraient permettre de distinguer les premiers effets des tendances en matière de légalisation à partir des données relatives au début de la pandémie.
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 | 0.004 | 0.023 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.008 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".