New approaches to historical challenges: Avoiding the early missteps of tobacco research in cannabis studies
Notice bibliographique
Résumé
As cannabis use becomes increasingly mainstream for both recreational and medicinal purposes, scientific evaluation of its health effects has not kept pace with legalization and market expansion. This gap echoes historical missteps seen in tobacco regulation, where decades passed before sufficient mechanistic and epidemiologic data on health effects prompted policy action. To avoid repeating such delays in action, this paper advocates for the integration of New Approach Methodologies (NAMs) in cannabis toxicology research, particularly for inhaled products; these tools prioritize human relevance, mechanistic insight, and reduction of animal testing. We highlight three key domains of innovation: (1) air–liquid interface (ALI) exposure systems that more accurately model inhaled cannabis products; (2) human-derived cell models and organoids, including those from induced pluripotent stem cells (iPSCs), which provide insight into tissue-specific toxicity; and (3) computational toxicology platforms such as quantitative structure–activity relationship (QSAR) and physiologically-based pharmacokinetic (PBPK) modeling, which support high-throughput, mechanism-based risk assessment. Together, these tools offer a robust framework for evaluating the diverse and complex constituents of cannabis products, enabling proactive risk assessment and regulation for cannabis-based products.
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 | 0,296 | 0,256 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,006 | 0,048 |
| Communication savante | 0,018 | 0,045 |
| Science ouverte | 0,007 | 0,020 |
| Intégrité de la recherche | 0,011 | 0,029 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,005 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».