The Cannabis-Dependent Relationship Between Methadone Treatment Dose and Illicit Opioid Use in a Community-Based Cohort of People Who Use Drugs
Notice bibliographique
Résumé
Background: Methadone maintenance treatment (MMT) is an effective treatment for opioid use disorder. However, subtherapeutic dosing may lead to continued opioid use by failing to suppress opioid withdrawal and craving. Preclinical and pilot experimental research suggests that cannabinoids may reduce opioid withdrawal and craving. We sought to test whether the association between low methadone dose and illicit opioid use differs according to concurrent cannabis use patterns. Methods: Data for this study were derived from two community-recruited cohorts of people (≥18 years old) who use illicit drugs in Vancouver, Canada. We used generalized estimating equations to estimate the adjusted association between lower daily MMT dose (<90 mg/day) and daily illicit opioid use, testing for interaction between dose and daily cannabis use. Results: Between December 2005 and December 2018, 1389 participants reported MMT enrolment and were included in the study. We observed a significant interaction ( p <0.01) between daily cannabis and lower MMT dose on concurrent daily illicit opioid use: lower MMT doses increased the odds of daily illicit opioid use by 86% (adjusted odds ratio [AOR]=1.86, 95% confidence interval [CI]=1.61–2.16) during periods of no or low-frequency cannabis use and by 30% during periods of daily cannabis use (AOR=1.30, 95% CI=1.01–1.67). Discussion: This study provides preliminary observational evidence that cannabis may mitigate some of the negative effects of subtherapeutic MMT dosing, guiding future clinical investigations into the safety and efficacy of cannabis and cannabinoids as adjunct treatment for MMT.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».