State of the science: cannabis and cannabinoids in palliative medicine—the potential
Notice bibliographique
Résumé
Cannabinoids are chemicals derived naturally from the cannabis plant or are synthetically manufactured. They interact directly with cannabinoid receptors or share chemical similarity with endocannabinoids (or both). Within palliative medicine, cannabinoid receptors (CB1 and CB2) may modulate some cancer symptoms: appetite, chemotherapy-induced nausea and vomiting, and mood, pain and sleep disorders. Opioid and cannabinoid receptors have overlapping neuroanatomical receptor distribution, particularly at the dorsal horn, dorsal striatum and locus coeruleus. They have a favourable safety profile compared with opioids, and cannabis-based medicines help chronic pain. While cannabidiol (CBD) has anti-inflammatory properties, tetrahydrocannabinol (THC) is the psychoactive substance for issues such as mood and sleep. Nabiximols (Sativex), a CBD:THC combination, is Food and Drug Administration approved for some multiple sclerosis symptoms and epilepsy. There has been a swift societal evolution in attitudes about use of cannabis and cannabinoid medicines for chronic pain. In the USA, 33 states have now legalised prescription-based medical cannabis for several medical conditions; Canada has had legislation since 2001 authorising medical use. The European Union (EU) recently declared all EU citizens must have access to medical cannabis over the next 4 years. The integration into medicine and routine clinical use of cannabis is fraught with information gaps, regulatory issues and scarcity of research. Each patient should have a comprehensive assessment and risk-benefit discussion before any cannabis-based intervention to avoid possible complications such as hallucinations, psychosis and potential cardiac harm.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».