MétaCan
Menu
Retour à la cohorte
Enregistrement W2985738202 · doi:10.1089/can.2019.0054

The Impact of Perioperative Cannabis Use: A Narrative Scoping Review

2019· article· en· W2985738202 sur OpenAlexaff
Karim S. Ladha, Varuna Manoo, Ali-Faizan Virji, John G. Hanlon, Alexander McLaren-Blades, Akash Goel, Duminda N. Wijeysundera, Lakshmi P. Kotra, Carlos A Ibarra, Marina Englesakis, Hance Clarke

Notice bibliographique

RevueCannabis and Cannabinoid Research · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueCannabis and Cannabinoid Research
Établissements canadiensUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésCannabisContext (archaeology)PerioperativeLegalizationEffects of cannabisMedicineNarrative reviewPsychiatryIntensive care medicineSurgery

Résumé

récupéré en direct d'OpenAlex

As countries progressively embrace the legalization of both medicinal and recreational cannabis, there remains a significant knowledge gap when it comes to the perioperative uses of cannabis, as well as the management of cannabis users. This review summarizes the information available on the subject based on existing published studies. Articles outlining the physiological changes occurring in the human body during acute and chronic use of cannabis (outside the context of anesthesia) are also taken into consideration as understanding these changes allows a more calculated approach to better anticipate patients' needs in the perioperative setting. Common questions facing the anesthesiologist at each phase of the perioperative period will be addressed and a systematic approach to the effect of cannabinoids on various organ systems will also be presented. Issues unique to cannabis use such as cannabis withdrawal syndrome and alterations in post-operative pain processing will also be discussed. To date, the number of studies available for guidance is small and study designs are markedly heterogenous, if not limited, making conclusions challenging. While the currently available information can assist in making decisions, further studies of larger scale are eagerly anticipated to help guide future patient care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,493
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,002
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,419
Écart entre enseignants0,374 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCannabis and Cannabinoid ResearchMême sujetCannabis and Cannabinoid ResearchTravaux en français237 207