Cannabis dosing and administration for sleep: a systematic review
Notice bibliographique
Résumé
STUDY OBJECTIVES: As cannabis is increasingly used to treat sleep disorders, we performed a systematic review to examine the effects of cannabis on sleep and to guide cannabis prescribers in their recommendations to patients, specifically focusing on dosing. METHODS: We searched EMBASE, Medline, and Web of Science and identified 4550 studies for screening. Five hundred sixty-eight studies were selected for full-text review and 31 were included for analysis. Study results were considered positive based on improvements in sleep architecture or subjective sleep quality. Bias in randomized controlled trials was assessed using Cochrane Risk of Bias tool 2.0. RESULTS: Sleep improvements were seen in 7 out of 19 randomized studies and in 7 out of 12 uncontrolled trials. There were no significant differences between the effects of tetrahydrocannabinol and cannabidiol. Cannabis showed most promise at improving sleep in patients with pain-related disorders, as compared to those with neurologic, psychiatric, or sleep disorders, and showed no significant effects on healthy participants' sleep. While subjective improvements in sleep quality were often observed, diagnostic testing showed no improvements in sleep architecture. Adverse events included headaches, sedation, and dizziness, and occurred more frequently at higher doses, though no serious adverse events were observed. CONCLUSION: High-quality evidence to support cannabis use for sleep remains limited. Heterogeneity in cannabis types, doses, timing of administration, and sleep outcome measures limit the ability to make specific dosing recommendations.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 ».