Being “at fault” in traffic crashes: does alcohol, cannabis, cocaine, or polydrug abuse make a difference?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To compare associations of alcohol, cannabis, and cocaine abuse and traffic crash risk for "at fault" crashes and all crashes. DESIGN: A historical cohort study. SETTING: Toronto, Ontario. Patients or subjects: Subjects beginning treatment at the Centre for Addictions and Mental Health (CAMH) in 1994 for abuse of alcohol, cannabis, cocaine, and all combinations of these substances (n = 590, with 411 drivers). A control group consisted of 518 records from the Ontario registry of registered drivers, frequency matched for age and sex and residence. INTERVENTIONS: CAMH subjects took part in therapeutic programs. Pre-intervention (11 115 driver-years) and post-intervention intervals (8550 driver-years) were defined and compared. MAIN OUTCOME MEASURES: Crash and collision rates, adjusted relative risks (ARRs) of crash involvement and of "at fault" crashes were computed using Poisson regression to control for variations in time at risk, age, and sex of participants. RESULTS: Pre-treatment, significant ARRs of 1.49 to 1.79 for all crashes were found for abusers of cannabis, cocaine, or a combination. ARRs increased by 10%-15% for "at fault" crashes. Post-treatment, all associations were very modest for all abuse types. Only younger and male drivers had a significantly increased risk, which was stronger for "at fault" than for all crashes. CONCLUSIONS: Abuse of cannabis and cocaine pre-treatment was more strongly related to "at fault" crashes than to all crashes. Interaction between these substances means that the effects of combined abuse cannot be predicted from simple main effects.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle