Cannabis- Based Reduction in Opioid-Related Harms: Population-Based Observational Meta-Analysis
Notice bibliographique
Résumé
Abstract Background. Rhetoric abounds about harms associated with easier access to cannabis. Yet, surveys of medical marijuana patients and recreational users in Canada and the USA observed that they prevalently substitute cannabis for alcohol, opioids and other drugs. This synthetic study focused on arguably the most harmful substance, opioids, and hypothesized reduced harms with medical and recreational cannabis legalization. Methods. Broad keyword searches of interdisciplinary research databases, peer-reviewed and gray, between 2010 and 2020 retrieved 11 studies. Their outcomes were synthesized with a sample-weighted meta-analysis that compared opioid-related outcomes before and after marijuana legalization in states that legalized marijuana versus those that had not.Results. All but one of the primary studies supported the marijuana protection or harm reduction hypothesis. In aggregate and controlling for typically eight state-level covariates, risks associated with opioid use diminished by 7% (RR = 0.93, 95% CI 0.92, 0.94) after legalization; 7% after medical marijuana and 35% after recreational marijuana legalization (p < .05). Opioid prescriptions decreased by 8% and opioid overdose mortality diminished by 25% after medical marijuana legalization. Both were further diminished after recreational marijuana was legalized. Conclusions. Their potential public health significances is clear, suggesting that such legislation profoundly affects the behaviors of physicians, patients and addicts in protective ways. However, all the studies, thus far, have been state-level, ecological analyses. Further multilevel and clinic-based analyses in ought to be accomplished to systematically replicate (or refute) this study’s harm reduction estimates and to put them into clinical practice where indicated.
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 | 0,011 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,037 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».