Prescription medication use as a risk factor for motor vehicle collisions: a responsibility study
Notice bibliographique
Résumé
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 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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».