Prescription opioid use among drivers in British Columbia, 1997–2016
Notice bibliographique
Résumé
BACKGROUND: Opioids increase the risk of traffic crash by limiting coordination, slowing reflexes, impairing concentration and producing drowsiness. The epidemiology of prescription opioid use among drivers remains uncertain. We aimed to examine population-based trends and geographical variation in drivers' prescription opioid consumption. METHODS: We linked 20 years of province-wide driving records to comprehensive population-based prescription data for all drivers in British Columbia (Canada). We calculated age- and sex-standardised rates of prescription opioid consumption. We assessed temporal trends using segmented linear regression and examined regional variation in prescription opioid use using maps and graphical techniques. RESULTS: A total of 46 million opioid prescriptions were filled by 3.0 million licensed drivers between 1997 and 2016. In 2016 alone, 14.7% of all drivers filled at least one opioid prescription. Prescription opioid use increased from 238 morphine milligram equivalents per driver year (MMEs/DY) in 1997 to a peak of 834 MMEs/DY in 2011. Increases in MMEs/DY were greatest for higher potency and long-acting prescription opioids. The interquartile range of prescription opioid dispensation by geographical region increased from 97 (Q1=220, Q3=317) to 416 (Q1=591, Q3=1007) MMEs/DY over the study interval. IMPLICATIONS: Patterns of prescription opioid consumption among drivers demonstrate substantial temporal and geographical variation, suggesting they may be modified by clinical and policy interventions. Interventions to curtail use of potentially impairing prescription medications might prevent impaired driving.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 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 ».