Cost-Effectiveness of Medical Cannabis Versus Opioids for Chronic Noncancer Pain
Notice bibliographique
Résumé
Background: Chronic noncancer pain (CNCP) affects one in five adults and is commonly managed with long-term opioid therapy. Concerns regarding rare but catastrophic harms associated with opioids, including overdose and death, have generated interest in alternatives including cannabis; however, the comparative cost-effectiveness of these management options is uncertain. Methods: We used findings from a network meta-analysis of 90 randomized trials to develop a 1-year microsimulation model to compare costs and quality-adjusted life years (QALY) between oral medical cannabis and opioids for CNCP. We used a publicly funded health care payer perspective for our analyses and obtained cost and utility data from publicly available sources. All costs are reported in 2023 Canadian dollars. All analyses were probabilistic, and we conducted sensitivity and scenario analyses to assess robustness. Results: Total mean annual cost per patient was $1,980 for oral medical cannabis and $1,851 for opioids, a difference of $129 (95% confidence interval [CI]: −$723 to $525). Mean QALYs were 0.582 for both oral medical cannabis and opioids (95% CI: −0.007 to 0.015). Cost-effectiveness acceptability curves showed that oral medical cannabis was cost-effective in 31% of iterations at willingness-to-pay thresholds up to $50,000/QALY gained. Use of opioids is associated with nonfatal and fatal overdose, whereas medical cannabis is not. Discussion: Our findings suggest that medical cannabis as an alternative to opioids for chronic pain may confer similar, but modest, benefits to patients, and reduce the risk of opioid overdose without substantially increasing costs.
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 | 0,015 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».