A comparison of the prevalence of cannabis and alcohol use among drivers and passengers in British Columbia and Ontario, Canada
Notice bibliographique
Résumé
• A higher percentage of motor vehicle passengers than drivers had used alcohol. • No differences between passengers and drivers were observed for THC. • Alcohol detection was higher in drivers from Ontario than in drivers from BC. • THC detection was lower in drivers from Ontario than in drivers from BC. • These findings may be due to differences in traffic policy or societal norms. Similar to drink driving, the prevalence of driving under the influence of cannabis (DUIC) is expected to depend on the availability and cost of cannabis which would impact cannabis use in both drivers and passengers, and factors that specifically target cannabis use in drivers such as the deterrent effect of traffic laws and driver’s opinion about the risks and acceptability of DUIC. To disentangle these effects, we aimed to compare the prevalence of alcohol and tetrahydrocannabinol (THC) detection 1) in drivers vs. passengers involved in motor vehicle accidents and 2) in drivers and passengers from BC vs. Ontario. Chart review and toxicology data from an ongoing prospective study of moderately injured motor vehicle occupants were analyzed. Log-binomial regression models were used to obtain prevalence ratios (PRs). This manuscript reports on data from 3004 drivers and 941 passengers. Approximately half (55.1%) were male, and the mean (SD) age was 43.8 (19.1) years. Alcohol and THC detection prevalence was 14.2% and 12.4%, respectively. Passengers had higher prevalence of alcohol than drivers (aPR [95% CI]: 1.22 [1.06, 1.40]). No difference in THC prevalence was observed between drivers and passengers. Ontario drivers had higher prevalence of alcohol detection than BC drivers (aPR [95% CI]: 1.33 [1.13, 1.58]) but lower prevalence of THC detection (aPR [95% CI]: 0.80 [0.64, 0.99]). Among passengers, no significant interprovincial differences were observed for alcohol or THC detection. These findings may be partially explained by differences in provincial traffic laws, public opinion, and overall consumption rates.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».