Epidemiology of drug driving: protocol from a national Canadian study measuring levels of cannabis, alcohol and other substances in injured drivers
Notice bibliographique
Résumé
Background: Drug driving is an emerging global road safety problem. As the prevalence of alcohol-impaired driving decreases, and as more jurisdictions decriminalize or legalize cannabis, it is increasingly important for policy makers to have accurate information on the prevalence and pattern of drug driving. Unfortunately, this data is not widely available and the World Health Organization identifies lack of accurate data on the prevalence of drug driving as an important knowledge gap. Methods: In this paper, we discuss the limitations of current methods of monitoring drug use in drivers. We then present a novel methodology from a multi-centre study that monitors the prevalence and pattern of drug use in injured drivers across Canada. This study uses “left-over” blood taken as part of routine medical care to quantify cannabis and other drugs in non-fatally injured drivers who present to participating emergency departments after a collision. Toxicology testing is done with waiver of consent as we have procedures that prevent results from being linked to any individual. These methods minimize non-response bias and have the advantages of measuring drug concentrations in blood obtained shortly after a collision. Discussion: Our methods can be applied in other jurisdictions and provide a consistent approach to collect data on drug driving. Consistent methods allow comparison of drug driving prevalence from different regions. Data from this research can be used to inform policies designed to prevent driving under the influence of cannabis and other impairing drugs.
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 | 0,000 |
| 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 ».