Risque de troubles dépressifs associés à l'utilisation médicale du cannabis : une étude de cohorte longitudinale rétrospective
Bibliographic record
Abstract
Compte tenu de l'usage croissant du cannabis médical pour des raisons, entre autres, de soulager les symptômes dépressifs, alors que les évidences sur l'innocuité du cannabis ne sont pas clairement établies, nous avons proposé cette étude dont l'objectif était d'évaluer l'association entre l'autorisation d'utilisation médicale du cannabis et le risque des troubles dépressifs. A travers les données jumelées provenant de cliniques de cannabis de l'Ontario et des données administratives de l'Ontario, nous avons mené une étude de cohorte longitudinale rétrospective avec un total de 54 006 patients ayant une autorisation d'utilisation médicale du cannabis entre le 19 juin 2014 et le 28 janvier 2019, appariés à 161 265 contrôles sélectionnés dans la population générale d'Ontario. L'autorisation d'utilisation du cannabis pour des raisons médicales était l'exposition de l'étude et les visites aux urgences ou hospitalisations pour troubles dépressifs en étaient l'issue. D'après nos résultats le risque de visites aux urgences ou hospitalisations pour troubles dépressifs chez les patients avec autorisation d'utilisation du cannabis médical était de 2 fois celui des témoins. Ces résultats suggèrent que les patients ayant une autorisation d'utiliser du cannabis à des fins médicales présentaient un risque significativement plus élevé de visites aux urgences ou d'hospitalisations pour des troubles dépressifs par rapport à leurs témoins appariés. Un risque similaire était également observé chez les utilisateurs du cannabis médical sans antécédents de troubles mentaux. Ce risque n'avait pas varié en fonction de l'âge ou du sexe. Les conclusions de cette étude soulignent donc la nécessité d'une évaluation minutieuse du risque de ces troubles chez les patients à la recherche de cannabis pour des soins médicaux et au cours du traitement.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".