MétaCan
Menu
Retour à la cohorte
Enregistrement W4409666491 · doi:10.1001/jamanetworkopen.2025.6379

Prevalence of Impairing Substance Use in Injured Drivers

2025· article· en· W4409666491 sur OpenAlexafffundabout
Jeffrey R. Brubacher, Shannon Erdelyi, Herbert Chan, Sarah Simmons, Paul Atkinson, Floyd Besserer, David B. Clarke, Philip J. Davis, Raoul Daoust, Marcel Émond, Jacques Lee, Andrew MacPherson, Kirk Magee, Éric Mercier, Robert Ohle, Mike Parsons, Brian H. Rowe, John A.M. Taylor, Christian Vaillancourt, Ian Wishart

Notice bibliographique

RevueJAMA Network Open · 2025
Typearticle
Langueen
DomainePharmacology, Toxicology and Pharmaceutics
ThématiqueForensic Toxicology and Drug Analysis
Établissements canadiensUniversity of CalgaryUniversity of OttawaMemorial University of NewfoundlandUniversity of AlbertaUniversité LavalUniversité de MontréalUniversity of SaskatchewanUniversity of Northern British ColumbiaUniversity of TorontoDalhousie UniversitySaint John Regional HospitalNOSM UniversityUniversity of British Columbia
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésCannabisMedicineLogistic regressionDrugPoison controlInjury preventionCross-sectional studyDriving under the influenceDrug classBlood alcoholEnvironmental healthPsychiatryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Importance: Impaired driving is an important public health issue, but its prevalence is challenging to monitor. Objectives: To report the prevalence of alcohol, cannabis, recreational drugs, and sedating medications in injured Canadian drivers, identify demographic and collision factors associated with drug or alcohol use, and compare the prevalence of drug-involved driving in different parts of Canada. Design, Setting, and Participants: This cross-sectional study prospectively obtained blood samples from injured drivers treated in 15 Canadian trauma centers and measured blood levels of tetrahydrocannabinol (THC; the main impairing compound in cannabis), alcohol, stimulants, opioids, and depressants from January 2019 to June 2023. Data were analyzed from April to May 2024. Exposure: Blood levels of THC, alcohol, stimulants, opioids, and depressants. Main Outcomes and Measures: Demographic and collision details were extracted from medical records. The crude prevalence for each substance class among all injured drivers and in selected subgroups was computed. Logistic regression models identified factors associated with substance use. Results: Of 8328 injured drivers (mean [SD] age, 43 [18] years; median [IQR] age, 40 [28-57] years; 5605 male [67.3%]; 2723 female [32.7%]), 4568 (54.9%) tested positive for an impairing substance and 1798 (21.6%) tested positive for 2 or more substance classes. Depressants, as a class, were detected in 2368 drivers (28.4%). THC was the most commonly detected single substance (1354 drivers [16.3%]), followed by alcohol (1341 drivers [16.1%]). Stimulants (1057 drivers [12.7%]) and opioids (905 drivers [10.9%]) were also detected. Substances were detected less often in drivers aged 75 years or older (195 of 455 drivers [42.9%]) and younger than 19 years (149 of 304 drivers [49.0%]). THC was most common in drivers aged 19 to 24 years, alcohol in drivers aged 19 to 34 years, stimulants in drivers aged 35 to 44 years, opioids in drivers aged 55 to 64 years, and depressants in drivers aged 65 to 74 years. Males had similar prevalence of substance use as females (3141 males [56.0%] vs 1427 females [52.4%]); more males used alcohol (adjusted odds ratio [aOR], 1.53; 95% CI, 1.21-1.92), cannabis (aOR, 1.66; 95% CI, 1.48-1.86), and stimulants (aOR, 1.53; 95% CI, 1.34-1.75), but males were less likely to have used a depressant (aOR, 0.54; 95% CI, 0.47-0.62). Rural drivers were more likely to use alcohol (aOR, 1.51; 95% CI, 1.29-1.76), stimulants (aOR, 1.32; 95 CI, 1.03-1.70), depressants (aOR, 1.28; 95% CI, 1.09-1.51), opioids (aOR, 1.26; 95% CI, 1.08-1.47), any substance (aOR, 1.40; 95% CI, 1.20-1.63), or multiple classes of substances (aOR, 1.55; 95 CI, 1.23-1.95). There was substantial geographic variation in the prevalence of substance use in injured drivers. Conclusions and Relevance: These findings suggest that impaired driving is a substantial road safety concern in Canada. Continued monitoring is required to develop targeted interventions and to evaluate the effectiveness of prevention measures.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,857

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,075
Tête enseignante GPT0,411
Écart entre enseignants0,337 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJAMA Network OpenMême sujetForensic Toxicology and Drug AnalysisTravaux en français237 207