Protocol for the REVELIO test-track pilot study: a randomised, controlled, single-centre trial in healthy recreational cannabis users investigating real-time in-vehicle detection of cannabis-impaired driving

Het REVELIO-protocol schetst een gerandomiseerde, gecontroleerde pilotstudie op een gesloten testcircuit die is ontworpen om de haalbaarheid te evalueren van een multimodaal voertuigsysteem voor het detecteren van cannabisgerelateerde verkeersdeelnemers bij gezonde recreatieve gebruikers door voertuig-, bestuurders- en biologische data te correleren na gecontroleerde THC-toediening.

De kern

Stel je voor dat je probeert de "hersenen" van een auto te leren hoe ze kunnen onderscheiden of een bestuurder een "slechte dag" heeft achter het stuur niet omdat ze moe of afgeleid zijn, maar specifiek omdat ze recentelijk cannabis hebben gebruikt.

De REVELIO-studie is een zorgvuldig gepland experiment dat is ontworpen om het "handboek" te bouwen dat de hersenen van de auto nodig hebben om deze vaardigheid te leren. Hieronder wordt uitgelegd hoe de studie werkt, opgesplitst in eenvoudige concepten:

Het Grote Probleem: De "Black Box" van Cannabisrijden

We weten dat alcohol rijden gevaarlijk maakt en we hebben eenvoudige alcoholtesten om dit op te sporen. Maar cannabis is lastiger. Het heeft een verschillende invloed op mensen en in tegenstelling tot alcohol bestaat er geen eenvoudige "one-size-fits-all"-test die je vertelt of iemand op dat moment te beïnvloed is om te rijden, puur door te kijken naar hun bloed of ademhaling.

Momenteel kunnen politieagenten alleen op cannabis controleren na een ongeval of tijdens een controle, waarbij ze kijken naar de aanwezigheid van het middel, niet noodzakelijk hoe goed de persoon op dat moment daadwerkelijk rijdt. Het REVELIO-team wil dit veranderen door een systeem te creëren dat de auto en de bestuurder in real-time observeert om beïnvloeding direct te signaleren.

Het Experiment: Een "Rijschool" voor AI

Beschouw deze studie als een high-tech rijschool, maar in plaats van mensen te leren rijden, leren ze een computer hoe ze een "gedrogeerde" bestuurder kunnen opsporen.

1. De Studenten (De Deelnemers)
Ze werven 45 gezonde volwassenen die al recreatief cannabis gebruiken (zoals iemand die af en toe een glas wijn geniet). Ze worden opgesplitst in twee groepen:

• De "Test" Groep (33 personen): Deze deelnemers roken een specifieke, gemeten hoeveelheid cannabis (zoals een precieze dosis medicatie) vlak voordat ze beginnen met rijden.
• De "Controle" Groep (12 personen): Deze deelnemers doorlopen exact dezelfde dag maar roken niets. Ze dienen als de "basislijn" of het "schone" voorbeeld om mee te vergelijken.

2. Het Klaslokaal (Het Testcircuit)
Om iedereen veilig te houden, rijdt niemand op echte openbare wegen. Ze bevinden zich op een afgesloten, privé testcircuit.

• De Auto: Ze rijden in een standaard zevenpersoonsbusje, maar het heeft een "co-pilot"-stoel met een gecertificeerde rijinstructeur die direct naast de bestuurder zit. Als de bestuurder begint te slingeren of in paniek raakt, kan de instructeur direct op de rem trappen.
• Het Schema: Iedereen begint met een "nuchtere" rit om te zien hoe ze normaal rijden. Vervolgens rookt de "Test" groep hun joint. Daarna rijdt iedereen nog drie keer in de daaropvolgende zes uur. Dit stelt de onderzoekers in staat om te zien hoe het rijden verandert naarmate de cannabis uitwerkt, uur per uur.

3. De Sensoren (De "Ogen" en "Oren")
Dit is het meest high-tech deel. De auto en de bestuurders zijn bedekt met sensoren, die fungeren als een enorm dataverzamelingennet:

• Het Zenuwstelsel van de Auto (CAN-gegevens): De computer registreert precies hoe de bestuurder het stuur aanraakt, hoe hard ze op het gaspedaal of de rem trappen en hoe ze in hun rijbaan blijven.
• Het Gezicht van de Bestuurder (Camera's): Camera's observeren de oog- en hoofdbewegingen van de bestuurder om te zien of ze om zich heen kijken of in de war zijn.
• Het Lichaam (Draagbare apparatuur): De bestuurders dragen smartwatches die hartslag en ademhaling volgen.
• Het Chemisch Laboratorium: Gedurende de dag nemen onderzoekers kleine monsters van bloed, speeksel en adem om precies te meten hoeveel THC (het werkzame bestanddeel van cannabis) op elk moment in hun systeem zit.

Het Doel: De Computer Leren

De onderzoekers verzamelen niet alleen data; ze voeden deze met Machine Learning (een type computerprogramma dat leert door voorbeelden).

Stel je voor dat je een kind leert een "rode" appel te herkennen. Je toont ze veel rode appels en veel groene appels. Uiteindelijk leert het kind het patroon.

• De Rode Appels: De data van de bestuurders die cannabis hebben gerookt.
• De Groene Appels: De data van de nuchtere bestuurders.

De taak van de computer is om naar de stuurbewegingen, oogvolging en hartslag te kijken en te zeggen: "Ah, dit patroon lijkt op de 'Rode Appel' (beïnvloede) groep," of "Dit lijkt op de 'Groene Appel' (nuchtere) groep."

Waarom Dit Belangrijk Is (Volgens het Artikel)

Het artikel stelt dat het hoofddoel is om te zien of deze "computerleraar" het verschil tussen een nuchtere bestuurder en een beïnvloede bestuurder daadwerkelijk kan leren, uitsluitend gebruikmakend van de data van de auto en het lichaam van de bestuurder.

• Het is een Pilot: Dit is een "proefrit". De onderzoekers weten dat dit slechts de eerste stap is. Ze controleren of de methode werkt en of de data goed genoeg is om later een echt systeem te bouwen.
• Veiligheid Eerst: Omdat ze op een afgesloten circuit zitten met een veiligheidsinstructeur, kunnen ze dit testen zonder het risico op echte verkeersongevallen.
• Toekomstvisie: De ultieme hoop (vermeld in het artikel) is om uiteindelijk een "Fit-to-Drive"-systeem te bouwen. Dit zou niet alleen kijken naar cannabis, maar naar elke vorm van beïnvloeding (of dit nu alcohol, lage bloedsuiker of cannabis is) en de auto waarschuwen als de bestuurder niet veilig is om het voertuig te besturen.

Wat het Artikel Niet Zegt

Het is belangrijk om te blijven bij wat het artikel daadwerkelijk beweert:

• Deze studie heeft nog geen werkend product klaar om aan autofabrikanten te verkopen.
• Het zegt niet dat het detecteren van cannabisgerelateerde rijbeïnvloeding momenteel mogelijk is in het echte verkeer.
• Het impliceert geen juridische consequenties voor de deelnemers; het is puur een onderzoeksexperiment.
• De deelnemers worden niet getest voor politiedoeleinden; ze helpen de data op te bouwen die nodig is om het probleem beter te begrijpen.

Kortom, de REVELIO-studie is als het bouwen van een gedetailleerde kaart van een gevaarlijke bergpas. Ze rijden de auto's nog niet over de pas; ze verzamelen de data om te zien of de computer van een zelfrijdende auto die pas op een dag veilig alleen kan bevaren.

Technische samenvatting

Op basis van het verstrekte protocolpapier volgt hier een gedetailleerde technische samenvatting van de REVELIO-testbaan-pilotstudie.

1. Probleemstelling

Rijden onder invloed van cannabis is een groeiende wereldwijde veiligheidsuitdaging, gekoppeld aan verminderde cognitieve en psychomotorische prestaties en verhoogde ongevallenrisico's. In tegenstelling tot alcohol, waarbij functionele stoornissen relatief goed correleren met de bloedalcoholconcentratie (BAC), stelt cannabis unieke detectieuitdagingen:

• Farmacokinetische complexiteit: De relatie tussen biologische THC-concentraties (in bloed, adem of mondslijmvlies) en functionele rijstoornis is inconsistent en sterk variabel tussen individuen.
• Gebrek aan real-time systemen: Huidige detectiemethoden vertrouwen op retrospectieve wegcontroles of laboratoriumanalyse van biologische monsters, die de aanwezigheid van een stof beoordelen in plaats van real-time functionele stoornis.
• Tekortkoming in technologie: Hoewel er voertuigsystemen bestaan voor het detecteren van vermoeidheid of alcoholstoornis, is er nog geen schaalbaar, real-time, voertuiggebonden systeem dat specifiek is ontworpen om cannabisgerelateerde rijstoornis te detecteren met behulp van multimodale sensordata, systematisch ontwikkeld of geëvalueerd.

2. Methodologie

De REVELIO-studie is een gecontroleerde, open-label, single-centre pilotstudie met randomisatie, ontworpen om gestandaardiseerde multimodale data te genereren voor het trainen van machine learning-modellen.

• Studieopzet en deelnemers:

  • Populatie: 45 gezonde recreatieve cannabisgebruikers (gedefinieerd als gebruik >1x/maand, CUDIT-R-score ≤7) met een geldig rijbewijs.
  • Allocatie: Deelnemers worden willekeurig toegewezen aan een Interventiegroep ($n=33$) of een Referentiecontrogroep ($n=12$) in een verhouding van 3:1.
  • Setting: Een beveiligde, afgesloten testbaan in Thun, Zwitserland, met een 2020 Volkswagen Touran met dubbele pedalen en een gecertificeerde rij-instructeur aanwezig.

• Interventie:

  • Interventiegroep: Ontvangt een enkele, gecontroleerde inhalatieve dosis cannabis (doel: 0,67 mg THC per kg lichaamsgewicht) via een gestandaardiseerde joint (15–18% THC-gehalte).
  • Controgroep: Ondergaat identieke procedures zonder blootstelling aan cannabis.
  • Tijdschema: Alle deelnemers voltooien een nuchtere baseline-rijsessie, gevolgd door drie extra gestandaardiseerde 50-minuten rijsessies op 1–2, 3–4 en 5–6 uur na toediening.

• Dataverzameling (Multimodaal):
  De studie vangt gesynchroniseerde datastromen om nuchtere van gestoorde toestanden te onderscheiden:

  1. Voertuigdata: Controller Area Network (CAN)-signalen (sturen, remmen, acceleratie, snelheid, rijstrookpositie).
  2. Bestuurdermonitoring: Data van de Driver Monitoring Camera (DMC) (blikrichting, hoofdbeweging, knipperfrequentie).
  3. Fysiologische signalen: Draagbare sensoren (hartslag, HRV, zuurstofverzadiging, ademhaling).
  4. Biologische monsters: Capillair bloed, mondslijmvlies en ademmonsters verzameld op meerdere tijdstippen om THC en metabolieten te meten.
  5. Functionele beoordelingen: Verkeersmedische/psychologische tests, pupillografie en zelfgerapporteerde slaperigheid/intoxicatieniveaus.

• Statistische en analytische aanpak:

  • Primair doel: Ontwikkelen en evalueren van machine learning (ML)-modellen om rijtoestanden te classificeren (nuchter versus cannabis-gerelateerde stoornis).
  • Modellen: Een baseline Logistische Regressie met LASSO wordt vergeleken met flexibele classificatoren (Random Forests, SVM, Gradient Boosting, Bayesiaanse netwerken) en deep learning-approaches (CNN's, RNN's).
  • Validatie: Strikte splitsing van data op deelnemersniveau om informatielekken te voorkomen; geneste cross-validatie voor hyperparameter-tuning.
  • Maten: Het primaire resultaat is AUROC (Area Under the Receiver Operating Characteristic Curve), ondersteund door nauwkeurigheid, sensitiviteit, specificiteit en precisie.

3. Belangrijkste bijdragen

• Gestandaardiseerde multimodale dataset: Creëren van een dataset met hoge fideliteit en tijdssynchronisatie die voertuigsensordata, bestuurdersgedrag, fysiologische toestanden en biologische THC-concentraties koppelt onder gecontroleerde omstandigheden.
• Methodologisch kader voor cannabisdetectie: Opzetten van een protocol om te gaan van "per se"-wetten (gebaseerd op concentratie) naar detectie van functionele stoornis met behulp van real-time voertuigdata.
• Fundering voor "Fit-to-Drive"-modellen: De studie is ontworpen om te worden gebundeld met eerdere datasets van dezelfde groep (studies naar alcohol- en hypoglycemie-gerelateerde stoornis) om een oorzaak-onafhankelijk detectiemodel te ontwikkelen dat functionele stoornis identificeert ongeacht de onderliggende oorzaak.
• Veiligheidsprioriteit in pilot: Demonstreren van een strikt veiligheidskader (afgesloten baan, voertuig met dubbele bediening, medische screening) voor het uitvoeren van studies met gecontroleerde cannabis-toediening in een rijcontext.

4. Resultaten

• Opmerking: Aangezien dit een studieprotocol is (gepubliceerd als preprint), worden er nog geen empirische resultaten of prestatie-indicatoren (bijv. specifieke AUROC-waarden) gerapporteerd.
• Het artikel schetst de geplande analyse en de onderbouwing voor de steekproefomvang (gebaseerd op eerdere studies naar hypoglycemie en alcohol die suggereren dat $n=25$ voldoende is voor initiële modeldiscriminatie).
• De studie bevindt zich momenteel in de fase van werving en dataverzameling (verwachte voltooiing: juni 2026).

5. Betekenis

• Innovatie in verkeersveiligheid: Indien succesvol, kan dit onderzoek leiden tot de ontwikkeling van real-time voertuigwaarschuwingssystemen die cannabis-gerelateerde stoornis detecteren voordat een ongeval plaatsvindt, en zo een proactieve veiligheidsmaatregel bieden die superieur is aan retrospectieve politiecontroles.
• Beleidsimplicaties: Bieden van bewijs om de verschuiving te ondersteunen van rigide THC-concentratiedrempels (die mogelijk niet correleren met stoornis) naar beoordelingen van functionele rijcapaciteit.
• Wetenschappelijke vooruitgang: Aanvullen van de kritieke lacune in het begrip van de temporele dynamiek van cannabis-gerelateerde stoornis (vroege, intermediaire en late fasen) en hoe deze zich manifesteren in specifieke rijgedragspatronen en fysiologische signalen.
• Schaalbaarheid: De methodologie is ontworpen om aanpasbaar te zijn voor toekomstige grootschalige validatiestudies in de echte wereld, wat mogelijk de weg effent voor geautomatiseerde rijbeperkingen of interventiesystemen in commerciële en particuliere voertuigen.

Ethische en regelgevende context:
De studie is goedgekeurd door het Kantonale Ethiecomité Bern (BASEC ID: 2025-01590) en geregistreerd bij ClinicalTrials.gov (NCT07401628). Het voldoet aan ICH-GCP en de Zwitserse Wet op Menselijk Onderzoek, waarbij de veiligheid van deelnemers wordt gewaarborgd door strikte uitsluitingscriteria, medische monitoring en de afwezigheid van geautomatiseerde juridische consequenties voor deelnemers tijdens de studie.