A Survey of Cannabis Use in a Large US-Based Cohort of People with Multiple Sclerosis
Notice bibliographique
Résumé
Abstract Background: As cannabis products become increasingly accessible across the United States, it is important to understand the contemporary use of cannabis for managing multiple sclerosis (MS) symptoms. Methods: We invited participants with MS from the North American Research Committee on Multiple Sclerosis (NARCOMS) Registry (aged 18 years or older) to complete a supplemental survey on cannabis use between March and April 2020. Participants reported cannabis use, treated symptoms, patterns, preferences, methods of use, and the factors limiting use. Findings are reported using descriptive statistics. Results: Of the 6934 participants invited, 3249 responded. Of the respondents, 31% reported having ever used cannabis to treat MS symptoms, with 20% currently using cannabis. The remaining 69% had never used cannabis for MS symptoms, for reasons including not enough data about efficacy (40%) and safety (27%), and concerns about legality (25%) and cost (18%). The most common symptoms current users were attempting to treat were spasticity (80%), pain (69%), and sleep problems (61%). Ever users (vs never users) were more likely to be younger, be non-White, have lower education, reside in the Northeast and West, be unemployed, be younger at symptom onset, be currently smoking, and have higher levels of disability and MS-related symptoms (all P < .001). Conclusions: Despite concerns about insufficient safety and efficacy data, legality, and cost, almost one-third of NARCOMS Registry respondents report having tried nonprescription cannabis products in an attempt to alleviate their symptoms. Given the lack of efficacy and safety data on such products, future research in this area is warranted.
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 | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».