Cannabinoids, cannabis, and cannabis-based medicine for pain management: a systematic review of randomised controlled trials
Notice bibliographique
Résumé
ABSTRACT: Cannabinoids, cannabis, and cannabis-based medicines (CBMs) are increasingly used to manage pain, with limited understanding of their efficacy and safety. We summarised efficacy and adverse events (AEs) of these types of drugs for treating pain using randomised controlled trials: in people of any age, with any type of pain, and for any treatment duration. Primary outcomes were 30% and 50% reduction in pain intensity, and AEs. We assessed risk of bias of included studies, and the overall quality of evidence using GRADE. Studies of <7 and >7 days treatment duration were analysed separately. We included 36 studies (7217 participants) delivering cannabinoids (8 studies), cannabis (6 studies), and CBM (22 studies); all had high and/or uncertain risk of bias. Evidence of benefit was found for cannabis <7 days (risk difference 0.33, 95% confidence interval 0.20-0.46; 2 trials, 231 patients, very low-quality evidence) and nabiximols >7 days (risk difference 0.06, 95% confidence interval 0.01-0.12; 6 trials, 1484 patients, very low-quality evidence). No other beneficial effects were found for other types of cannabinoids, cannabis, or CBM in our primary analyses; 81% of subgroup analyses were negative. Cannabis, nabiximols, and delta-9-tetrahydrocannabinol had more AEs than control. Studies in this field have unclear or high risk of bias, and outcomes had GRADE rating of low- or very low-quality evidence. We have little confidence in the estimates of effect. The evidence neither supports nor refutes claims of efficacy and safety for cannabinoids, cannabis, or CBM in the management of pain.
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 | 0,023 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,015 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».