The Utility of THC Cutoff Levels in Blood and Saliva for Detection of Impaired Driving
Notice bibliographique
Résumé
Background: Δ9-Tetrahydrocannabinol (THC) is the psychoactive component in cannabis and a relationship of THC to driving impairment is expected. Despite this, there are discrepant findings with respect to the relationship of blood THC to driving. This study investigated the relationship of blood, urine, and saliva THC/THC-COOH levels to “weaving,” as measured by a driving simulator. Methods: Participants smoked cannabis alone or with alcohol. THC/THC-COOH levels in blood, urine, and saliva were correlated with standard deviation of lateral position (SDLP), measuring “weaving.” In addition, SDLP after cannabis and/or alcohol were compared with SDLP after placebo when THC/THC-COOH levels were above or below specified thresholds in blood (5 ng/mL), urine (50 ng/mL), or saliva (25 ng/mL). Results: A clear linear relationship between blood THC concentration and SDLP was not observed based on calculation of Spearman coefficients. When compared with placebo, SDLP was significantly increased after cannabis and cannabis combined with alcohol when THC in the blood was above the legal limit. SDLP was increased in drug conditions when saliva cutoffs were above the legal limit. Conclusions: The findings of this study suggest that specified thresholds for THC in blood and saliva may be able to detect driving impairment, but future studies are needed. ClinicalTrials.gov ID: NCT03106363.
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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».