The Quebec Cannabis Registry: a pharmacovigilance and effectiveness study on the use of medical cannabis in cancer patients.
Notice bibliographique
Résumé
12109 Background: The Quebec Cannabis Registry (QCR) was launched in 2015 to allow physicians to prescribe medical cannabis (MC) in the province of Quebec, Canada. This study aimed to investigate the safety and effectiveness of MC in cancer patients using pharmacovigilance data prospectively collected for up to 24 months. Methods: Patients were enrolled in the QCR between May 2015 and October 2018 and followed every 3 months. Study outcomes included adverse events (AE), pain severity and interference (Brief-Pain Inventory), wellbeing (Revised-Edmonton Symptom Assessment Scale) and overall health scale (EQ5D5L) at baseline and at each follow-up (F-UP). Significance of changes over time were assessed using repeated-measures ANOVA. Results: Out of the 2991 patients enrolled in the QCR, 358 (12.8%) were cancer patients (mean age 57.7 (± 14.6); 171 (47.8%) males). The main cancer types were breast (16.2%), lung (11.7%), leukemia (11.5%) and colorectal (11.2%). MC was prescribed primarily for pain (72.1%), anxiety (4.7%), nausea (4.5%), anorexia (3.9%), and insomnia (3.1%). A total of 13 patients (3.6%) reported AE with only three being serious (one unrelated to MC: stroke; and two possibly related: diarrhea, from CBD oil overdose and pneumonia from smoking MC). Mean scores significantly (p < 0.05) improved between baseline and 3 months F-UP for pain severity (4.8 ± 1.5 vs 4.1 ± 1.8), pain interference (4.6 ± 1.8 vs 3.8 ± 1.7), and the overall health scale (60 ± 21 vs 71 ± 18). Well-being scores also significantly improved between baseline and 6 months F-UP (4.4 ± 2.1 vs 3.5 ± 2.8). Conclusions: Population-based data shows that cancer patients can benefit safely and effectively from MC as a complementary treatment, when prescribed and monitored under medical-nursing supervision.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».