Pedestrian injuries in school-attending children: a comparison of injury data sources in a low-income setting
Notice bibliographique
Résumé
OBJECTIVE: To estimate and compare the rate of pedestrian injuries in primary school-attending children of urban Uganda using different data sources. DESIGN: Data collection from a hospital-based trauma registry, police data, teacher reports, and a cross-sectional community-based survey. SETTING: Kawempe, the largest urban district in the capital Kampala, Uganda. Patients or SUBJECTS: Primary school-attending children aged 4-12 from 39 randomly selected schools were included in the trauma registry, police data, and teacher reports. 1828 households randomly selected from the 39 schools were interviewed for the community survey. MAIN OUTCOME MEASURE: A pedestrian injury. For the trauma registry-defined as a pedestrian injury resulting in a visit to the hospital. For the police data-defined as a pedestrian injury reported to the police. For the teacher reports and survey-defined as a pedestrian injury resulting in at least a day off school. RESULTS: The estimated pedestrian injury rates per 100 000 person-years were 54.0 (95% CI 25.3 to 117.4), <53.97 (95% CI 23.8 to 125.9), 1878.8 (95% CI 1513.1 to 2322.4), and 764.0 (95% CI 523.3 to 1117.2) from the trauma registry, police data, teacher reports, and community survey, respectively. CONCLUSIONS: Pedestrian injury rates differed significantly between different data sources. Users must be aware of the different target populations, definitions, and limitations of the data sources before direct comparisons are made. Injury reports by volunteer teachers may be a feasible source of injury data in other low/middle-income countries.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».