Cannabidiol as a treatment for craving and relapse in individuals with cocaine use disorder: a randomized placebo‐controlled trial
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Cocaine use disorder (CUD) is a significant public health concern for which no efficacious pharmacological interventions are available. Cannabidiol (CBD) has attracted considerable interest as a promising treatment for addiction. This study tested CBD efficacy for reducing craving and preventing relapse in people with CUD. DESIGN: Single-site double-blind randomized controlled superiority trial comparing CBD with placebo. SETTING AND PARTICIPANTS: Centre Hospitalier de l'Université de Montréal, Canada. Seventy-eight adults (14 women) with moderate to severe CUD participated. INTERVENTION: Participants were randomly assigned (1 : 1) by stratified blocks to daily 800 mg CBD (n = 40) or placebo (n = 38). They first underwent an inpatient detoxification phase lasting 10 days. Those who completed this phase entered a 12-week outpatient follow-up. MEASUREMENTS: Primary outcomes were drug-cue-induced craving during detoxication and time-to-cocaine relapse during subsequent outpatient treatment. FINDINGS: During drug-cue exposure, craving scores [mean ± standard deviation (SD)] increased from baseline by 4.69 (2.89) versus 3.21 (2.78) points, respectively, in CBD (n = 36) and placebo (n = 28) participants [confidence interval (CI) = -0.33 to 3.04; P = 0.069; Bayes factor = 0.498]. All but three participants relapsed to cocaine by week 12 with similar risk for CBD (n = 34) and placebo (n = 27) participants (hazard ratio = 1.20, CI = 0.65-2.20, P = 0.51; Bayes factor = 0.152). CBD treatment was well tolerated and associated mainly with diarrhoea. CONCLUSIONS: CBD did not reduce cocaine craving or relapse among people being treated for CUD.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».