Cannabis‐infused foods: Phytonutrients, health, and safe product innovations
Notice bibliographique
Résumé
Cannabis-infused foods are currently on the rise in markets all around the world. Meanwhile, there are concerns over the health implications for consumers. Studies have explored the therapeutic potential and nutritional and economic benefits of cannabis usage. Yet, the phytonutrients, processing methods, and health implications of cannabis-infused foods have not been well explored. This review evaluates existing evidence on the nutritional, processing, safety, and phytonutrient composition of cannabis-infused food products and their medicinal and functional prospects. Cannabis seeds contain the highest amount of dietary nutrients, while flowers contain the highest amount of bioactive constituents. Oils, butter, seeds, flowers, and leaf extracts are the plant forms currently incorporated into food products such as beverages, baked products, cooking ingredients, functional foods, nutraceuticals, and nootropics. Cannabis-infused foods have been found to offer therapeutic benefits for pain management, brain function, gut health, and certain cancers. Findings also show significant constraints associated with cannabis-infused foods regarding dosage guidelines, limited research, efficacy, and long-term health effects on consumers. This is further worsened by the lack of policies that regulate the industry. To realize the full potential of cannabis use in the food and health industries and in research, regulatory guidelines are needed to control dosages and improve its efficient use in these industries. This will go a long way to ensure the safety of cannabis users and enhance responsible production, marketing, and distribution.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».