Overdosing in a Motor Vehicle
Notice bibliographique
Résumé
BACKGROUND: Fentanyl, a type of opioid, in impaired driving cases increased across cities in the United States. OBJECTIVES: No empirical studies have examined motor vehicle overdoses with fentanyl use. We investigated the magnitude of the motor vehicle overdose problem in Providence, RI, and the environmental, socioeconomic, and geographic conditions associated with motor vehicle overdose occurrence. METHODS: This was a retrospective observational study of emergency medical services data on all suspected opioid overdoses between January 1, 2017, and October 31, 2020. The data contain forced-choice fields, such as age and biological sex, and an open-ended narrative in which the paramedic documented clinical and situational information. The overdoses were geocoded, allowing for the extraction of sociodemographic data from the U.S. Census Bureau's American Community Survey. Seven other data sources were included in a logistic regression to understand key risk factors and spatial patterns of motor vehicle overdoses. RESULTS: Of the 1,357 opioid overdose cases in this analysis, 15.2% were defined as motor vehicle overdoses. In adjusted models, we found a 61% increase in the odds of a motor vehicle overdose involvement for men versus women, a 16.8% decrease in the odds of a motor vehicle overdose for a one-unit increase in distance to the nearest gas station, and a 10.7% decrease in the odds of a motor vehicle overdose for a one-unit increase in distance to a buprenorphine clinic. CONCLUSION: There is a need to understand the interaction between drug use in vehicles to design interventions for decreasing driving after illicit drug use.
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 | 0,001 |
| 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 ».