Trends in Pediatric and Adult Bicycling Deaths Before and After Passage of a Bicycle Helmet Law
Notice bibliographique
Résumé
OBJECTIVES: The goals were to examine bicycle-related mortality rates in Ontario, Canada, from 1991 to 2002 among bicyclists 1 to 15 years of age and 16 years of age through adulthood and to determine the effect of legislation (introduced in October 1995 for bicyclists <18 years of age) on mortality rates. METHODS: The average numbers of deaths per year and mortality rates per 100000 person-years for the prelegislation and postlegislation periods, and the percentage changes, were calculated for each of the 2 age groups (1-15 years and >/=16 years). Differences before and after legislation in the 2 age groups were modeled in a time series analysis. RESULTS: There were 362 bicycle-related deaths in the 12-year period (1-15 years: 107 deaths; >/=16 years: 255 deaths). For bicyclists 1 to 15 years of age, the average number of deaths per year decreased 52%, the mortality rate per 100000 person-years decreased 55%, and the time series analysis demonstrated a significant reduction in deaths after legislation. The estimated change in the number of deaths per month was -0.59 deaths per month. For bicyclists >/=16 years of age, there were only slight changes in the average number of deaths per year and the mortality rate per 100000 person-years, and the time series analysis demonstrated no significant change in deaths after legislation. CONCLUSIONS: The bicycle-related mortality rate in children 1 to 15 years of age has decreased significantly, which may be attributable in part to helmet legislation. A similar reduction for bicyclists 16 years of age through adulthood was not identified. These findings support promotion of helmet use, enforcement of the existing law, and extension of the law to adult bicyclists.
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 | 0,000 | 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 ».