FEASIBILITY OF A ROAD TRAFFIC INJURY SURVEILLANCE INTEGRATING POLICE AND HEALTH INSURANCE DATASETS IN THE DOMINICAN REPUBLIC
Notice bibliographique
Résumé
Background Road traffic injuries (RTIs) are underreported in low- and middle-income countries (LMICs). Previous work from some LMICs estimated the RTI burden by manually matching records in capture–recapture methods. Aims/Objectives/Purpose This study assessed the feasibility of semi-automated matching of RTI cases in different datasets in a LMIC. Methods Study population consisted of RTI reported cases in the Dominican Republic in 2010. After removing duplicates and correcting fatality reporting using forensic data, the police and health insurance RTI records were matched if they had same province, date of crash, and gender of RTI cases and similar age (within 5 years). A multinomial logistic regression model assessed likelihood of being unmatched in either dataset. Results/Outcomes Duplicates represented 21.1% of 6396 police and 16.2% of 6178 insurance records. Health insurance recorded 43 of 417 deaths as only injured. Capture–recapture estimated that both datasets recorded one of five cases. Characteristics associated with being unmatched in police dataset were female gender (OR=2.5), age≥16 years (OR=1.7), crash in the regions of Cibao-Northeast (OR=4.1) and Valdesia (OR=6.4), Tuesday to Saturday (1.5≤OR≤2.9), October to December (1.6≤OR≤4.5), and occupant of four-wheeled (OR=5.4) or trucks (OR=5.3). Significance/Contribution to the Field Semi-automated matching is feasible to reliably ascertain RTI burden in the Dominican Republic, but could be improved by standardised coding of police and health insurance reporting.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».