Comparing medical cannabis use in 5 US states: a retrospective database study
Notice bibliographique
Résumé
BACKGROUND: US states have been adopting their own medical cannabis laws since 1996. There is substantial variability in the medical cannabis programs between states, and these differences have not been thoroughly investigated in the literature. The objective of the study was to compare medical cannabis patient characteristics across five states to identify differences potentially caused by differing policies surrounding condition eligibility. METHODS: We conducted secondary analyses following a retrospective study of a registry database with data from 33 medical cannabis evaluation clinics in the US, owned and operated by CB2 Insights. This study narrowed the dataset to include patients from five states with the largest samples: Massachusetts (n = 27,892), Colorado (n = 16,434), Maine (n = 4591), Connecticut (n = 2643), and Maryland (n = 2403) to conduct an in-depth study of the characteristics of patients accessing medical cannabis in these states, including analysis of variance to compare average ages and number of conditions and chi-squared tests to compare proportions of patient characteristics between states. RESULTS: Average ages varied between the states, with the youngest average in Connecticut (42.2) and the oldest in Massachusetts (47.0). Males represented approximately 60% of the patients with data on gender in each state. The majority of patients in each state had cannabis experience prior to seeking medical certification. Primary medical conditions varied for each state, with chronic pain, anxiety, and back and neck problems topping the list in varying orders for Massachusetts, Maine, and Maryland. Colorado had 78.7% of patients report chronic pain as their primary condition, and 70.4% of patients in Connecticut reported post-traumatic stress disorder as their primary medical condition. CONCLUSION: This study demonstrated the significant impact that policy has on patients' access to medical cannabis in Massachusetts, Colorado, Maine, Connecticut, and Maryland utilizing real-world data. It highlights how qualifications differ between the five states and brings into question the routes through which patients in states with stricter regulations surrounding eligible conditions choose to seek treatment with cannabis. These patients may turn to alternative treatments, or to the illicit or recreational cannabis markets, where permitted.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».