Alcohol and cannabis use as risk factors for injury – a case-crossover analysis in a Swiss hospital emergency department
Notice bibliographique
Résumé
BACKGROUND: There is sufficient and consistent evidence that alcohol use is a causal risk factor for injury. For cannabis use, however, there is conflicting evidence; a detrimental dose-response effect of cannabis use on psychomotor and other relevant skills has been found in experimental laboratory studies, while a protective effect of cannabis use has also been found in epidemiological studies. METHODS: Implementation of a case-crossover design study, with a representative sample of injured patients (N = 486; 332 men; 154 women) from the Emergency Department (ED) of the Lausanne University Hospital, which received treatment for different categories of injuries of varying aetiology. RESULTS: Alcohol use in the six hours prior to injury was associated with a relative risk of 3.00 (C.I.: 1.78, 5.04) compared with no alcohol use, a dose-response relationship also was found. Cannabis use was inversely related to risk of injury (RR: 0.33; C.I.: 0.12, 0.92), also in a dose-response like manner. However, the sample size for people who had used cannabis was small. Simultaneous use of alcohol and cannabis did not show significantly elevated risk. CONCLUSION: The most surprising result of our study was the inverse relationship between cannabis use and injury. Possible explanations and underlying mechanisms, such as use in safer environments or more compensatory behavior among cannabis users, were discussed.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».