Cannabis and driving: A repeat cross-sectional analysis of driving after cannabis use pre- vs. post-legalization of recreational cannabis in Canada
Notice bibliographique
Résumé
OBJECTIVE: The potential impact of cannabis legalization on driving after cannabis use is an important public health consideration. The current paper examined the prevalence of driving after cannabis use and being a passenger of a driver who recently consumed cannabis pre- and five years post- legalization of recreational cannabis. METHOD: National population-based surveys were conducted annually between 2018 and 2023 as part of the International Cannabis Policy Study (ICPS). A total of 93,933 participants aged 16-65 years from Canada were included in the analysis. Logistic regression models assessed trends in driving after cannabis use by age, sex-at-birth, income adequacy, ethnicity, and educational attainment. RESULTS: In 2018, 5.7 % of all respondents and 19.9 % of past 12-month consumers reported driving within 2 h of cannabis consumption in the past year. Driving after consumption increased moderately in the five years post legalization among all participants, with a significantly higher prevalence reported in 2022 (8.8 % vs. 5.7 %, OR = 1.43, 95 % CI = 1.22, 1.66, p < 0.001) and 2023 (7.6 % vs. 5.7 %, OR = 1.20, 95 % CI = 1.03, 1.40, p = 0.018) than in 2018. However, driving after consumption remained stable among past 12-month consumers, with a moderately lower prevalence in 2023 than in 2018 (18.3 % vs. 19.9 %, OR = 0.81, 95 % CI = 0.68, 0.97, p = 0.024). CONCLUSIONS: The increase in the overall rate of driving after use likely reflects the increase in consumption among all Canadians following recreational cannabis legalization. There was no evidence to support changes in the overall prevalence of passenger behaviour following legalization. Differences across sociodemographic variables are discussed.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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) | 0,001 | 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 ».