Cannabinoids in Chronic Pain: Clinical Outcomes, Adverse Effects and Legal Challenges
Notice bibliographique
Résumé
Cannabinoids have gained increasing attention as potential therapeutic agents in chronic pain management. Their mechanisms of action, mediated through CB1 and CB2 receptors, provide a pharmacological alternative to conventional analgesics. The evidence is strongest for neuropathic pain and multiple sclerosis-related spasticity, while the results for fibromyalgia, osteoarthritis, and musculoskeletal pain remain inconsistent. The average pain reduction is modest, often not exceeding 0.5-1.0 points on a 10-point scale, and therapeutic gains are offset by safety concerns. Quantitative data show that discontinuation rates range from 4.3% at low-dose CBD to 12.9% at high-dose CBD, compared with 3.5% on placebo, while nabiximols (THC + CBD spray) are associated with dizziness in 25% of patients, somnolence in 8%, and treatment discontinuation in 12%. High-dose CBD also carries a measurable risk of hepatotoxicity. Regulatory heterogeneity further constrains trial feasibility, scalability, and patient access, with disparities evident across the United States, Europe, Canada, and Australia. Overall, cannabinoids provide modest, condition-specific analgesia and should be considered adjunctive rather than first-line options, reserved for patients unresponsive to conventional therapy. Future progress requires standardized formulations, harmonized international regulations, long-term safety data, and large-scale randomized controlled trials to clarify their role in evidence-based pain management.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 | 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 ».