Cannabis Use and Sport: A Systematic Review
Notice bibliographique
Résumé
CONTEXT: Cannabis use has increased, in large part due to decriminalization. Despite this increase in usage, it remains unclear what proportion of athletes use cannabis and what effect it has on athletic performance and recovery. OBJECTIVE: To systematically review cannabis use among athletes, including epidemiology, effect on performance and recovery, and regulations for use in sport. DATA SOURCES: PubMed, MEDLINE, and EMBASE databases were queried from database inception through November 15, 2018. A hand search of policies, official documents, and media reports was performed for relevant information. STUDY SELECTION: All studies related to cannabis use in athletes, including impact on athletic performance or recovery, were included. STUDY DESIGN: Systematic review. LEVEL OF EVIDENCE: Level 4. DATA EXTRACTION: Demographic and descriptive data of included studies relating to epidemiology of cannabis use in athletes were extracted and presented in weighted means or percentages where applicable. RESULTS: Overall, 37 studies were included, of which the majority were cross-sectional studies of elite and university athletes. Among 11 studies reporting use among athletes (n = 46,202), approximately 23.4% of respondents reported using cannabis in the past 12 months. Two studies found a negative impact on performance, while another 2 studies found no impact. There was no literature on the influence of cannabis on athletic recovery. Across athletic organizations and leagues, there is considerable variability in acceptable thresholds for urine tetrahydrocannabinol levels (>15 to 150 ng/mL) and penalties for athletes found to be above these accepted thresholds. CONCLUSION: Overall, these results suggest that approximately 1 in 4 athletes report using cannabis within the past year. Based on the available evidence, cannabis does not appear to positively affect performance, but the literature surrounding this is generally poor. Given the variability in regulation across different sport types and competition levels, as well as the growing number of states legalizing recreational cannabis use, there is a need to improve our understanding of the effects of cannabis use on the athlete and perhaps adopt a clearer and overarching policy for the use of cannabis by athletes in all sports and at all levels.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,011 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».