Gaps in evidence for the use of medically authorized cannabis: Ontario and Alberta, Canada
Notice bibliographique
Résumé
BACKGROUND: With legal access to medical cannabis in Canada since 2001, there is a need to fully characterize its use at both the individual and population levels. We draw on data from Canada's largest cohort study of medical cannabis to identify the primary reasons for medical cannabis authorization in Canada from 2014 to 2019 in two major provinces: Alberta (AB) and Ontario (ON), and review the extent that evidence supports each indication. METHODS: Self-reported baseline assessments were collected from adult patients in ON (n = 61,835) and AB (n = 3410) who were authorized medical cannabis. At baseline, sociodemographic, primary medical information, and validated clinical questionnaires were completed by patients as part of an individual assessment. Patients' reasons for seeking medical cannabis were compared to published reviews and guidelines to assess the level of evidence supporting medical cannabis use for each condition. RESULTS: Medical cannabis use in both AB and ON was similar in both demographic and reason for authorization. The most common reasons for medical cannabis authorization were: (1) pain (AB = 77%, ON = 76%) primarily due to chronic musculoskeletal, arthritic, and neuropathic pain, (2) mental health concerns (AB = 32.9%, ON = 38.7%) due to anxiety and depression, and (3) sleep problems (AB = 28%, ON = 25%). More than 50 other conditions were identified as reasons for obtaining authorization. CONCLUSION: In both AB and ON, the majority of reasons for medical cannabis authorization are not substantiated by clinical evidence to fully support its efficacy for long-term use. Ongoing epidemiological studies on medical cannabis on these treatments are warranted to fully outline its treatment benefits or risks.
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) | 0,000 | 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) | 0,001 | 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 ».