Variations in sub-national road traffic fatality trends in a low-income country
Notice bibliographique
Résumé
BACKGROUND: In most low- and middle-income countries (LMICs), road traffic fatality (RTF) trends are presented in aggregated form at the national level. This practice omits important information regarding RTF risk at sub-national levels. OBJECTIVE: This ecological study assesses the extent of RTF variations at different sub-national levels in Pakistan, a low-income country. MATERIALS AND METHODS: Based on official statistics, significant variations in three RTF indicators i.e. per population, per registered vehicles, and per crash were compared by regression analyses at two sub-national levels i.e. provincially (2000-2009) and district-wise (2004). RESULTS: The national RTF counts are based on data from four provinces. From 2000 to 2009, RTF per population and per registered vehicles decreased in all provinces except Balochistan. RTF per crash in Punjab decreased from 0.61 to 0.56 (beta coefficient (β) year = -0.0082, P = <0.001), whereas in Balochistan it increased from 0.40 to 0.58 (β year = 0.0708, P = <0.001) over the same period. District-level comparisons were possible only in Punjab where RTF per crash varied from 0.25 to 2.15 and correlated (β = 0.50, P = 0.003) with RTF per population. CONCLUSIONS: Sub-national RTF surveillance is necessary in LMICs like Pakistan in order to prioritize available resources on high-risk jurisdictions such as the Balochistan province and districts of Punjab where high RTF per population and per crash exist.
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 | 0,001 | 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 ».