Perceptions in orthopedic surgery on the use of cannabis in treating pain: a survey of patients with spine pain (POSIT Spine)
Notice bibliographique
Résumé
BACKGROUND: Back pain is the leading cause of disability worldwide. Despite guidelines discouraging opioids as first-line treatment, opioids remain the most prescribed drugs for back pain. There is renewed interest in exploring the potential medical applications of cannabis, and with the recent changes in national legislation there is a unique opportunity to investigate the analgesic properties of cannabis. METHODS: This was a multi-center survey-based study examining patient perceptions regarding cannabis for spine pain. We included patients presenting with back or neck pain to one of three Orthopedic clinics in Ontario. Our primary outcome was perceived effect of cannabis on back pain, while secondary outcomes were perceptions regarding potential applications and barriers to cannabis use. RESULTS: 259 patients participated in this study, 35.3% (90/255) stating they used cannabis medically. Average pain severity was 6.5/10 ± 0.3 (95% CI 6.2-6.8). Nearly three-quarters were prescribed opioids (73.6%, 148/201), with oxycodone/oxycontin (45.9% 68/148) being the most common, and almost half of (49.3%, 73/148) had used an opioid in the last week. Patients estimated cannabis could treat 54.3% ± 4.0 (95% CI 50.3-58.3%) of their spine pain and replace 46.2% ± 6. 6 (95% CI 39.6-52.8%) of their current analgesics. Age (β = - 0.3, CI - 0.6-0.0), higher pain severity (β = 0.4, CI 0.1-0.6) and previous cannabis use (β = 14.7, CI 5.1-24.4) were associated with a higher perceived effect of cannabis. Patients thought cannabis would be beneficial to treat pain (129/146, 88.4%), and reduce (116/146, 79.5%) or eliminate opioids (102/146, 69.9%). Not considering using cannabis for medical purposes (65/150, 43.3%) was the number one reported barrier. CONCLUSIONS: Patients estimated medical cannabis could treat more than half of their spine pain, with one in three patients already using medical cannabis. 79% of patients also believe cannabis could reduce opioid usage. This data will help support more research into cannabis for musculoskeletal pain.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».