ENVIRONMENTAL DETERMINANTS OF BICYCLING INJURIES
Notice bibliographique
Résumé
Background Identification of environmental risk factors for bicycling injuries could lead to improved safety and increased bicycling. Objectives To identify built environment characteristics associated with bicycling injuries. Methods Participants were recruited from seven emergency departments (ED) in Alberta, Canada. Cases were bicyclists struck by a motor-vehicle (MV) or with severe injuries (hospitalised). Controls were bicyclists who were not hit by a car or those seen and discharged from the ED, matched on day and time. Crash details were collected by interview and chart reviews. Environmental audits performed at injury locations captured path, roadway, safety, land use, and aesthetic characteristics. Logistic regression OR adjusted for age, sex, peak time, and bicyclist speed with 95% CI were estimated to relate injury risk to environmental characteristics. Results We audited 274 locations (70 case sites). A higher proportion of MV cases than controls (35.7% vs 11.3%) were commuting. Based on the unmatched analyses, the odds of a MV event were higher at locations with greater traffic volume (OR 3.5; 95% CI 1.4 to 8.9), intersections (OR 2.8; 95% CI 1.1 to 7.2), path obstructions (OR 2.6; 95% CI 1.1 to 5.9), and retail land use (OR 7.5; 95% CI 3.1 to 18.0). Locations with street lights (OR 0.4; 95% CI 0.2 to 0.9), high surveillance (OR 0.3; 95% CI 0.1 to 0.8), or good road condition (OR 0.4; 95% CI 0.2 to 0.9) reduced severe injury risk. Results were similar based on matched analyses. Significance Built environmental risk factors for bicyclist injury were identified and could be modified to increase safety and encourage more bicycling.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».