Influence of cannabis and alcohol on motor vehicle injury severity in Canadian trauma centres: a prospective study
Notice bibliographique
Résumé
BACKGROUND: Alcohol and delta-9-tetrahydrocannabinol (THC) (main impairing ingredient of cannabis) are both crash contributors that interfere with motor vehicle operation. However, the relationship between drug concentration and crash injury severity is unclear for either drug. We aim to clarify the relationship between blood alcohol concentration (BAC) and crash injury severity, based on healthcare system utilisation, with and without THC. METHODS: The National Drug Driving Study is an ongoing prospective study involving 17 Canadian trauma centres. Eligible subjects included drivers aged 16+ who visited a participating trauma centre and had blood drawn as part of routine care within 6 hours of a crash. Deidentified blood samples were tested for alcohol and THC using gas chromatography-flame ionisation detection and liquid chromatography/tandem mass spectrometry. Study outcomes included admission to hospital and admitted patients' length of hospital stay. RESULTS: 10 322 injured drivers visited a participating trauma centre between 2018 and 2023. 1649 (16.0%), 1716 (16.6%) and 463 (4.5%) drivers had detectable levels of alcohol, THC or both, respectively. Compared with sober drivers (BAC=0), drivers with 0%<BAC<0.08% had increased odds of admission (aOR=1.69, 95% CI=1.31 to 2.19), as did drivers with BAC≥0.08% (aOR=1.36, 95% CI=1.16 to 1.60). THC did not modify the relationship between alcohol and admission. Neither alcohol nor THC predicted were associated with length of stay following admission. INTERPRETATION: Alcohol increases hospital admissions after crashes but does not have a dose-response relationship with admission or length of stay. THC does not moderate this relationship.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».