A cannabinoid <scp>Hairy‐Tale</scp>: Hair loss or hair gain?
Notice bibliographique
Résumé
BACKGROUND: Few studies have reported on the use of cannabinoid products to treat hair loss. AIM: This article aims to reconcile cannabinoids' impact on hair growth. METHOD: A comprehensive and structured search was conducted in PubMed and Google Scholar on June 23, 2022. RESULT: While cannabidiol (CBD), a phytocannabinoid, may cause hair growth, several other phytocannabinoids may lead to hair loss. Additionally, the effect of CBD on hair growth may be concentration-dependent. CBD may cause hair loss at high concentrations (≥10 μM). Therefore, the concentration of CBD needs to be adjusted so that it is optimal for hair growth. One trial found that once-daily application of CBD-rich topical cannabis extract for 6 months increased nonvellus hair count by approximately 93.5% in 35 Caucasian AGA patients: 28 males aged 28-72 years [average 43 years] and 7 females aged 46-76 years [average 61 years]. Each application contained 3-4 mg of CBD. The CBD-rich topical cannabis extract was prepared by ultra-pulverizing Cannabis sativa [hemp] flower into a green chalk-like powder [10.78% CBD and 0.21% tetrahydrocannabinol] and then infusing the powder into a lanolin paste and Emu oil carrier. CONCLUSION: Topical CBD preparations require further studies to establish their safety and efficacy profile. An ideal topical cannabinoid preparation should contain CBD at the right concentration and lack other phytocannabinoid adulterants.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».