MétaCan
Menu
Retour à la cohorte
Enregistrement W3045924919 · doi:10.1136/injuryprev-2020-043840

Prescription medication use as a risk factor for motor vehicle collisions: a responsibility study

2020· article· en· W3045924919 sur OpenAlexafffundabout
Mark Asbridge, Kathleen MacNabb, Herbert Chan, Shannon Erdelyi, Maria Wilson, Jeffrey R. Brubacher

Notice bibliographique

RevueInjury Prevention · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic and Road Safety
Établissements canadiensUniversity of British ColumbiaDalhousie University
Organismes subventionnairesCanadian Institutes of Health ResearchMichael Smith Health Research BC
Mots-clésMedical prescriptionHuman factors and ergonomicsOccupational safety and healthMotor vehicle crashPoison controlForensic engineeringInjury preventionSuicide preventionMedical emergencyMedicineEngineeringPsychologyNursing

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Previous studies on the effect of prescription medications on MVCs are sparse, not readily applicable to real-world driving and/or subject to strong selection bias. This study examines whether the presence of prescription medication in drivers' blood is associated with being responsible for MVC. METHODS: This modified case-control study with responsibility analysis compares MVC responsibility rates among drivers with detectable levels of six classes of prescription medications (anticonvulsants, antidepressants, antihistamines, antipsychotics, benzodiazepines, opioids) versus those without. Data were collected between January 2010 and July 2016 from emergency departments in British Columbia, Canada. Collision responsibility was assessed using a validated and automated scoring of police collision reports. Multivariable logistic regression was used to determine OR of responsibility (analysed in 2018-2019). RESULTS: Unadjusted regression models show a significant association between anticonvulsants (OR 1.92; 95% CI 1.20 to 3.09; p=0.007), antipsychotics (OR 5.00; 95% CI 1.16 to 21.63; p=0.03) and benzodiazepines (OR 2.99; 95% CI 1.56 to 5.75; p=0.001) with collision responsibility. Fully adjusted models show a significant association between benzodiazepines with collision responsibility (aOR 2.29; 95% CI 1.16 to 4.53; p=0.02) after controlling for driver characteristics, blood alcohol and Δ-9-tetrahydrocannabinol concentrations, and the presence of other prescription medications. Antidepressants, antihistamines and opioids exhibited no significant associations. CONCLUSION: There is a moderate increase in the risk of a responsible collision among drivers with detectable levels of benzodiazepines in blood. Physicians and pharmacists should consider collision risk when prescribing or dispensing benzodiazepines. Public education about benzodiazepine use and driving and change to traffic policy and enforcement measures are warranted.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,761
Score d'incertitude au seuil0,490

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,294
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueInjury PreventionMême sujetTraffic and Road SafetyTravaux en français237 207