Practical Strategies Using Medical Cannabis to Reduce Harms Associated With Long Term Opioid Use in Chronic Pain
Notice bibliographique
Résumé
Background: Chronic non-cancer pain (CNCP) is estimated to affect 20% of the adult population. Current United States and Canadian Chronic non-cancer pain guidelines recommend careful reassessment of the risk-benefit ratio for doses greater than 90 mg morphine equivalent dose (MED), due to low evidence for improved pain efficacy at higher morphine equivalent dose and a significant increase in morbidity and mortality. There are a number of human studies demonstrating cannabis opioid synergy. This preliminary evidence suggests a potential role of cannabis as an adjunctive therapy with or without opioids to optimize pain control. Methods: In 2017, the Canadian Opioid Guidelines Clinical Tool was created to encourage judicious opioid prescribing for CNCP patients and to reevaluate those who have been chronically using high MED. Mirroring this approach, we draw on our clinical experiences and available evidence to create a clinical tool to serve as a foundational clinical guideline for the initiation of medical cannabis in the management of CNCP patients using chronic opioid therapy. Findings: Following principles of harm reduction and risk minimization, we suggest cannabis be introduced in appropriately selected CNCP patients, using a stepwise approach, with the intent of pain management optimization. We use a structured approach to focus on low dose cannabis (namely, THC) initiation, slow titration, dose optimization and frequent monitoring. Conclusion: When low dose THC is introduced as an adjunctive therapy, we observe better pain control clinically with lower doses of opioids, improved pain related outcomes and reduced opioid related 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».