The Efficacy of Medical Marijuana in the Treatment of Cancer-Related Pain
Notice bibliographique
Résumé
Background: The opioid epidemic has spurred investigations for nonopioid options, yet limited research persists on medical marijuana's (MMJ) efficacy in managing cancer-related symptoms. Objective: We sought to characterize MMJ's role on symptomatic relief and opioid consumption in the oncologic population. Design: Retrospective chart review of MMJ-certified oncology patients was performed. Divided patients into MMJ use [MMJ(+)] versus no use [MMJ(−)], and Edmonton Symptom Assessment System (ESAS)-reported pain cohorts: “mild-moderate” versus “severe.” Measurements: Medical records were reviewed for ESAS, to measure physical and emotional symptoms, and opiate consumption, converted into morphine milligram equivalents (MME). Minimal clinically important differences were determined. Wilcoxon signed-rank tests determined statistical significance between MMJ-certification and most recent palliative care visit. Results: Identified 232 patients [95/232 MMJ(−); 137/232 MMJ(+)]. Pain, physical and total ESAS significantly improved for total MMJ(−) and MMJ(+); however, only MMJ(+) significantly improved emotional ESAS. MMJ(−) opioid consumption increased by 23% (97.5–120 mg/day MME, p = 0.004), while it remained constant (45–45 mg/day MME, p = 0.522) in MMJ(+). Physical and total ESAS improved in mild-moderate-MMJ(−) and MMJ(+). Pain and emotional symptoms worsened in MMJ(−); while MMJ(+)'s pain remained unchanged and emotional symptoms improved. MMJ(−) opioid consumption increased by 29% (90–126 mg/day MME, p = 0.012); while MMJ(+)'s decreased by 33% (45–30 mg/day MME, p = 0.935). Pain, physical, emotional, and total ESAS scores improved in severe-MMJ(−) and MMJ(+); opioid consumption reduced by 22% in MMJ(−) (135–106 mg/day MME, p = 0.124) and 33% in MMJ(+) (90–60 mg/day MME, p = 0.421). Conclusions: MMJ(+) improved oncology patients' ESAS scores despite opioid dose reductions and should be considered a viable adjuvant therapy for palliative management.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».