Driving under the influence: a multi-center evaluation of vehicular crashes in the era of cannabis legalization
Notice bibliographique
Résumé
BACKGROUND: Eleven states have instituted laws allowing recreational cannabis use leading to growing public health concerns surrounding the effects of cannabis intoxication on driving safety. We hypothesized that after the 2016 legalization of cannabis in California, the use among vehicular injury patients would increase and be associated with increased injury severity. METHODS: San Diego County's five adult trauma center registries in were queried from January 2010 to June 2018 for motor vehicle or motorcycle crash patients with completed toxicology screens. Patients were stratified as toxicology negative (TOX-), positive for only THC (THC+), only blood alcohol >0.08% (ETOH+), THC+ETOH, or THC+ with any combination with methamphetamine or cocaine (M/C). County medical examiner data were reviewed to characterize THC use in those with deaths at the scene of injury. RESULTS: Of the 11,491 patients identified, there were 61.6% TOX-, 11.7% THC+, 13.7% ETOH+, 5.0% THC+ETOH, and 7.9% M/C. THC+ increased from 7.3% to 14.8% over the study period and peaked at 14.9% post-legalization in 2017. Compared with TOX- patients, THC+ patients were more likely to be male and younger. THC+ patients were also less likely to wear seatbelts (8.5% vs 14.3%, p<0.001) and had increased mean Injury Severity Score (8.4±9.4 vs 9.0±9.9, p<0.001) when compared with TOX- patients. There was no difference in in-hospital mortality between groups. From the medical examiner data of the 777 deaths on scene, 27% were THC+. DISCUSSION: THC+ toxicology screens in vehicular injury patients peaked after the 2016 legalization of cannabis. Public education on the risks of driving under the influence of cannabis should be a component of injury prevention initiatives. LEVEL OF EVIDENCE: III, Prognostic.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».