Comparing road traffic injury datasets in the Dominican Republic with Health Organisation recommendations
Notice bibliographique
Résumé
Background Police datasets are commonly used to estimate Road Traffic Injury (RTI) burden. Nonetheless, newer health system—based datasets such as social security (SS) data are now becoming available in developing countries. Aims/Objectives/Purpose To compare availability of information in police and health-based RTI datasets with WHO recommendations in a developing country. Methods Study setting was the Dominican Republic (DR) in 2010. Availability of RTI information was assessed in three datasets: Police, SS, and Forensic Agency. Content and quality were compared with definitions of the 21 recommended core variables of the WHO Road Safety Data Systems Manual. Results/Outcomes The three databases included 14 266 records. Availability of age, sex, intent, location, nature and mechanism of injury, and hour and date was higher in the SS dataset (100%) than in police records, where availability varied from 56% for vehicle mark to 86% for age and 83% for road type. Essential identifier variables such as the national number was never recorded in Forensic records, or poorly documented (30%) in police data. Many variables related to human and exposure factors, such as alcohol consumption, seat-belt wearing, and helmet utilisation or traffic volume were not recorded. Significance/Contribution to the Field Many relevant variables are available in SS records or could be added inexpensively into the current datasets. DR authorities should adopt urgently the entire WHO minimal data systems recommendation to develop a reliable, affordable and accurate RTI monitoring system.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».