Clinician Beliefs and Practices Related to Cannabis
Notice bibliographique
Résumé
Introduction: Medical cannabis (marijuana) use is legal in 33 U.S. states and the District of Columbia. Clinicians can play an important role in helping patients access and weigh potential benefits and risks of medicinal cannabis. Accordingly, this study aimed to assess clinician beliefs and practices related to cannabis. Methods: Data are from 1506 family practice doctors, internists, nurse practitioners, and oncologists who responded to the 2018 DocStyles, a web-based panel survey of clinicians. Questions assessed medicinal uses for and practices related to cannabis and assessed clinicians' knowledge of cannabis legality in their state. Logistic regression was used to assess multivariable correlates of asking about, assessing, and recommending cannabis. Results: Over two-thirds (68.9%) of clinicians surveyed believe that cannabis has medicinal uses and just over a quarter (26.6%) had ever recommended cannabis to a patient. Clinicians who believed cannabis had medicinal uses had 5.9 times the adjusted odds (95% confidence interval 3.9–8.9) of recommending cannabis to patients. Beliefs about conditions for medical cannabis use did not necessarily align with the current scientific evidence. Nearly two-thirds (60.0%) of clinicians surveyed incorrectly reported the legal status of cannabis in their state. Discussion: Findings suggest that while clinicians believe that cannabis has medicinal uses, they may not have a full understanding of the scientific evidence and may not accurately understand their state-based policies for cannabis legalization and use. Given that clinicians are responsible for recommending medicinal cannabis in most states that have legalized it, ongoing education about the health effects of cannabis is warranted.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».