116 Substance use in non-transport injury events: A systematic review and meta-analysis
Notice bibliographique
Résumé
Background Substance use is a key preventable risk factor for injury. However, current prevention efforts largely focus on substance use in road transport injury, with other injury causes receiving less attention. This review aims to summarise research on the prevalence of substance use in non-transport injuries. Methods Observational studies published in English after 2009 were identified by searching electronic databases, grey literature and reference lists. Eligible studies (1) examined individuals ≥15 years presenting to a hospital or forensic centre following a non-transport related injury; and (2) included an objective toxicology measure. Meta-analyses were performed where appropriate. Results Two reviewers independently screened 11,413 records and 2,078 full-text articles. Of these, 122 studies were included. Most studies reported on alcohol (n=114, 93%) with varying prevalence (falls: 4–57%, assaults: 10–71%, firearms: 21–42%, penetrating injuries: 9–25%, suicides: 20–50%). Less research examined other drugs including cannabis (n=18), amphetamines (n=14), cocaine (n=14), opioids (n=10) and benzodiazepines (n=7). In meta-analyses, 37% of fall-related injuries involved any substance use, 35% of firearm injuries involved alcohol and 31% of suicides involved alcohol. Conclusion Substance use is prevalent across injury causes. However, prevalence varied between studies and inadequate reporting of study methods often impaired comparison of these results. Learning Outcomes Given the prevalence of substance use in non-transport injuries, there is need for targeted injury prevention and harm minimisation strategies addressing these injury causes. Future research should focus on the role of drugs other than alcohol in specific injury causes and would benefit from improved reporting of toxicology testing methods.
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 | 0,013 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,015 | 0,045 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».