Cannabis and pain: a scoping review
Notice bibliographique
Résumé
For centuries, cannabis has been used with many different purposes, including medicinal use, usually bypassing any formal approval process. However, during the last decade, interest in cannabis in medicine has been increasing, and several countries, including the United States and Canada, have produced their own legislation about marihuana and cannabis-based medicines. Because of this, interest in research has been increasing and evidence about its medical effects is becoming necessary. We conducted a review examining the evidence of cannabis in pain. Cannabis had been shown to be useful in acute and chronic pain, however recently, these results have been controverted. Within the different types of chronic pain, it has a weak evidence for neuropathic, rheumatic pain, and headache, modest evidence for multiple sclerosis related pain, and as adjuvant therapy in cancer pain. There is no strong evidence to recommend cannabis in order to decrease opioids in patients with chronic use. Even though cannabis-based medications appear to be mostly safe, mild adverse effects are common; somnolence, sedation, amnesia, euphoric mood, hyperhidrosis, paranoia, and confusion may limit the use of cannabis in clinical practice. Risks have not been systematically analyzed. Special concern arises on how adverse effect might affect vulnerable population such as elderly patients. More research is needed in order to evaluate benefits and risks, as well as the ideal administration route and dosages. As cannabis use increases in several countries, answers to these questions might be coming soon.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».