Prevalence and Characteristics of Medicinal Cannabis Use among Chronic Pain Patients; A Post- Legalization Study in a Tertiary Care Setting in Thailand
Notice bibliographique
Résumé
Objective: Cannabinoid products have been applied for numerous medical conditions, including chronic pain. Thailand was the first country in South East Asia to legalize medical cannabinoids. This study aims to explore prevalence, characters, attitude, side effects of medical cannabinoid use, and pain-related outcome among the chronic cancer and non-cancer pain population at Siriraj Hospital. Materials and Methods: 200 chronic cancer pain and 670 chronic noncancer pain patients were collected by questionnaires and interviews. Data included demographic data, clinical diagnosis, pain treatment, knowledge, attitude, pattern of use, side effects and quality of life of cannabinoid extracts. Results: Prevalence of active cannabis user was 15% in chronic cancer pain and 3.1% in noncancer pain. Oil extract sublingual was the most common form. Pain control was the most common initial reason for usage. No serious side effects were reported. Common side effects were dry oral mucosa, drowsiness, and headache. The most common source was obtained from friends. 36% of the patients believed they had enough understanding of medical cannabis, while 68.5% agreed that it is appropriate to use in Thailand. In cancer patients, the Edmonton Symptom Assessment System (ESAS) subscale for lack of appetite, anxiety, and subscale for a brief pain inventory (BPI) for enjoyment of life were higher among active users. In patients with noncancer pain, only the mood subscale BPI was lower among active users. Conclusion: Medical cannabis usage is common compared with general population in Thai patients with chronic pain and may be associated with increased pain interference and cancer-related symptoms. Nonmedical license prescription and nonmedical license cannabis products were common in Thailand.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| 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 ».