Cannabinoids in Late Life Parkinson’s Disease and Dementia: Biological Pathways and Clinical Challenges
Notice bibliographique
Résumé
The use of cannabinoids as therapeutic drugs has increased among aging populations recently. Age-related changes in the endogenous cannabinoid system could influence the effects of therapies that target the cannabinoid system. At the preclinical level, cannabidiol (CBD) induces anti-amyloidogenic, antioxidative, anti-apoptotic, anti-inflammatory, and neuroprotective effects. These findings suggest a potential therapeutic role of cannabinoids to neurodegenerative disorders such as Parkinson's disease (PD) and Alzheimer. Emerging evidence suggests that CBD and tetrahydrocannabinol have neuroprotective therapeutic-like effects on dementias. In clinical practice, cannabinoids are being used off-label to relieve symptoms of PD and AD. In fact, patients are using cannabis compounds for the treatment of tremor, non-motor symptoms, anxiety, and sleep assistance in PD, and managing responsive behaviors of dementia such as agitation. However, strong evidence from clinical trials is scarce for most indications. Some clinicians consider cannabinoids an alternative for older adults bearing Parkinson's disease and Alzheimer's dementia with a poor response to first-line treatments. In our concept and experience, cannabinoids should never be considered a first-line treatment but could be regarded as an adjuvant therapy in specific situations commonly seen in clinical practice. To mitigate the risk of adverse events, the traditional dogma of geriatric medicine, starting with a low dose and proceeding with a slow titration regime, should also be employed with cannabinoids. In this review, we aimed to address preclinical evidence of cannabinoids in neurodegenerative disorders such as PD and AD and discuss potential off-label use of cannabinoids in clinical practice of these disorders.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».