Cannabis use and work-related injuries: a cross-sectional analysis
Notice bibliographique
Résumé
BACKGROUND: Although the association of cannabis use with automobile accidents has been well-studied, the impact of cannabis on workplace safety and injuries is less clear. AIMS: The purpose of this study was to examine the relationship between work-related injury and cannabis use in the past year. METHODS: We performed a cross-sectional analysis of the Canadian Community Health Survey (2013-16) of working individuals. We used multiple logistic regression modelling to calculate the odds of experiencing a work-related injury (defined as non-repetitive strain injury) among workers who reported using cannabis more than once during the prior 12 months as compared to non-users. We repeated the analysis among participants working in high injury risk occupational groups only. RESULTS: Among the 136 536 working participants, 2577 (2%) had a work-related injury in the last 12 months. Of these 2577 who had a work-related injury, 4% also reported being a cannabis user in the same period. We found no association between past-year cannabis use and work-related injury (odds ratio for work injury among users 0.81, 95% confidence interval 0.66-0.99). The association was unchanged in the subgroup analysis limited to high injury risk occupational groups. CONCLUSIONS: We found no evidence that cannabis users experienced higher rates of work-related injuries. While awaiting prospective studies, occupational medicine practitioners should take a risk-based approach to drafting workplace cannabis policies.
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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».