Perceived Risk of Medical Cannabis and Prescribed Cannabinoids for Chronic Pain: A Cross-Sectional Study Among Quebec Clinicians
Notice bibliographique
Résumé
Objective: An increase in medical cannabis and prescribed cannabinoids use for chronic pain management has been observed in Canada in the past years. This study aimed to: 1) Describe clinicians’ perceived risk associated with the use of medical cannabis and prescribed cannabinoids for the management of chronic pain; and 2) Identify sociodemographic and professional factors associated with perceived risk of adverse effects. Method: A web-based cross-sectional study was conducted in Quebec, Canada in 2022. A convenience sample of 207 clinicians was recruited (physicians/pharmacists/nurse practitioners). They were asked to rate the risk of adverse effects associated with medical cannabis (e.g., smoke, or oil) and prescribed cannabinoids (e.g., nabilone) on a scale of 0 to 10 (0: no risk, 10: very high risk), respectively. Multiple linear regression was performed to identify factors associated with perceived risk. Results: Average perceived risk associated with medical cannabis and prescribed cannabinoids were 5.93 ± 2.08 (median:6/10) and 5.76 ± 1.81 (median:6/10). Factors associated with higher medical cannabis perceived risk were working in primary care (β = 1.38, p = .0034) or in another care setting (β = 1.21, p = .0368) as compared to a hospital setting. As for prescribed cannabinoids, being a pharmacist (β = 1.14, p = .0452), working in a primary care setting (β = 0.83, p = .0408) and reporting more continuing education about chronic pain (β = 0.02, p = .0416) were associated with higher perceived risk. No sex differences were found in terms of perceived risk. Conclusions: Considering the clinician’s experience provide insights on cannabis risk as these professionals are at the forefront of patient care when they encounter adverse effects.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».