Patient views regarding cannabis use in chronic kidney disease and kidney failure: a survey study
Notice bibliographique
Résumé
BACKGROUND: Cannabis is frequently used recreationally and medicinally, including for symptom management in patients with kidney disease. METHODS: We elicited the views of Canadian adults with kidney disease regarding their cannabis use. Participants were asked whether they would try cannabis for anxiety, depression, restless legs, itchiness, fatigue, chronic pain, decreased appetite, nausea/vomiting, sleep, cramps and other symptoms. The degree to which respondents considered cannabis for each symptom was assessed with a modified Likert scale ranging from 1 to 5 (1, definitely would not; 5, definitely would). Multilevel multivariable linear regression was used to identify respondent characteristics associated with considering cannabis for symptom control. RESULTS: Of 320 respondents, 290 (90.6%) were from in-person recruitment (27.3% response rate) and 30 (9.4%) responses were from online recruitment. A total of 160/320 respondents (50.2%) had previously used cannabis, including smoking [140 (87.5%)], oils [69 (43.1%)] and edibles [92 (57.5%)]. The most common reasons for previous cannabis use were recreation [84/160 (52.5%)], pain alleviation [63/160 (39.4%)] and sleep enhancement [56/160 (35.0%)]. Only 33.8% of previous cannabis users thought their physicians were aware of their cannabis use. More than 50% of respondents probably would or definitely would try cannabis for symptom control for all 10 symptoms. Characteristics independently associated with interest in trying cannabis for symptom control included symptom type (pain, sleep, restless legs), online respondent {β = 0.7 [95% confidence interval (CI) 0.1-1.4]} and previous cannabis use [β = 1.2 (95% CI 0.9-1.5)]. CONCLUSIONS: Many patients with kidney disease use cannabis and there is interest in trying cannabis for symptom control.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».