Classification of Cannabis Cultivars Marketed in Canada for Medical Purposes and Growth Trends of the North American Medical Cannabis Industry
Notice bibliographique
Résumé
The recent legalization of cannabis for medical purposes in North America requires rigorous standardization of its phytochemical composition in the interest of consumer safety and medicinal efficacy. To utilize medicinal cannabis as a predictable medicine, it is crucial to classify hundreds of cultivars with respect to dozens of therapeutic cannabinoids and terpenes, as opposed to the current industrial or forensic classifications that only consider the primary cannabinoids tetrahydrocannabinol (THC) and cannabidiol (CBD). Labs-Mart recently developed and validated analytical methods using high-pressure liquid chromatography (HPLC-DAD) to quantify cannabinoids and gas chromatography with mass spectroscopy (GC-MS) to quantify terpenes in cannabis raw material. The methods were then used to classify 32 cannabis samples from two licensed producers into four clusters based on the content of 10 cannabinoids and 14 terpenes. The classification results were confirmed by cluster analysis and principal component analysis in tandem, which were distinct from those using only THC and CBD. Three potential trends are postulated for the medical cannabis industry in North America, the success of which may rely on a systematic classification of cannabis cultivars and the establishment of reliable testing methods on cannabis raw materials and cannabis extract products. These unprecedented growth areas include the increasing prevalence of cannabis oil and edible products, the potential of synergism with other analgesics, and the utilization of each part of cannabis plant.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».