Predictors of Response to Medical Cannabis for Chronic Pain: A Retrospective Review of Real-Time Observational Data
Notice bibliographique
Résumé
Objective: People living with chronic pain increasingly use medical cannabis for symptom relief. We conducted a retrospective cohort study examining cannabis for chronic pain relief using anonymous archival data obtained from the medicinal cannabis tracking app, Strainprint®. Method: We acquired cannabis utilization data from 741 adults with chronic pain and used multilevel modeling to examine the association of age, sex, type of pain (muscle, joint or nerve pain), cannabis formulation (high CBD, balanced CBD:THC, or high THC), route of administration (inhaled or ingested), cannabis use before vs. during the COVID-19 pandemic, and duration of cannabis use, with pain relief. Results: Most patients were female (n = 464; 63%), with a mean age of 39 (SD = 11), and our cohort had completed a total of 83,622 tracked cannabis sessions through Strainprint. The majority of sessions reported use of inhaled cannabis products (78%), typically with high tetrahydrocannabinol (THC; 64%) versus high cannabidiol (CBD; 15%) or balanced THC:CBD (21%) products. The median change in pain scores across sessions was -3.0 points on a 10-point numeric rating scale (NRS; IQR -4.5 to -2.0). In our adjusted model, greater pain relief was associated with male vs. female sex (-0.69 points on a 10-point NRS; 95%CI -0.46 to -0.91). We found statistically significant, but trivial associations with joint pain (-0.05 points), balanced THC:CBD products in the long term (-0.003 points), and cannabis use during the pandemic (0.18 points). Conclusions: We found that people living with chronic pain report important pain relief when using cannabis for medical purposes, and that men may achieve greater pain relief than women.
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 | 0,011 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».