The use of cannabinoids for sleep: A critical review on clinical trials.
Notice bibliographique
Résumé
Cannabis and its pharmacologically active constituents, phytocannabinoids, have long been reported to have multiple medicinal benefits. One association often reported by users is sedation and subjective improvements in sleep. To further examine this association, we conducted a critical review of clinical studies examining the effects of cannabinoids on subjective and objective measures of sleep. PubMED, Web of Science, and Google Scholar were searched using terms and synonyms related to cannabinoids and sleep. Articles chosen included randomized controlled trials and open label studies. The Cochrane risk of bias tool was used to assess the quality of trials that compared cannabinoids with control interventions. The current literature focuses mostly on the use of tetrahydrocannabinol (THC) and/or cannabidiol (CBD) in the treatment of chronic health conditions such as multiple sclerosis, posttraumatic stress disorder (PTSD), and chronic pain. Sleep is often a secondary, rather than primary outcome in these studies. Many of the reviewed studies suggested that cannabinoids could improve sleep quality, decrease sleep disturbances, and decrease sleep onset latency. While many of the studies did show a positive effect on sleep, there are many limiting factors such as small sample sizes, examining sleep as a secondary outcome in the context of another illness, and relatively few studies using validated subjective or objective measurements. This review also identified several questions that should be addressed in future research. These questions include further elucidation of the dichotomy between the effects of THC and CBD, as well as identifying any long-term adverse effects of medicinal cannabinoid use. (PsycINFO Database Record (c) 2019 APA, all rights reserved).
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 | 0,009 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,004 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».