Alcohol in fatal crashes involving Mexican and Canadian drivers in the USA
Notice bibliographique
Résumé
OBJECTIVE: To determine the prevalence of alcohol involvement and impairment in fatal crashes in the USA involving Mexican and Canadian drivers. METHODS: Drivers in fatal crashes in the USA were identified during 1998 to 2008 from the Fatality Analysis Reporting System, and the prevalence of alcohol involvement and impairment (defined as blood alcohol concentrations ≥0.01 g/dl and ≥0.08 g/dl, respectively) was compared among drivers licensed in Mexico (n=687), Canada (n=598), and the USA (n=561908). RESULTS: The prevalence of alcohol involvement was 27% for US drivers, 27% for Mexican drivers, and 11% for Canadian drivers. Alcohol impairment was found in 23% of US drivers, 23% of Mexican drivers, and 8% of Canadian drivers. With adjustment for driver demographic characteristics and survival status and for crash circumstances, the prevalence of alcohol involvement was significantly lower for Canadian drivers (adjusted prevalence ratio (PR) 0.63, 95% CI 0.49 to 0.80) than for US drivers, and was similar between Mexican and US drivers (adjusted PR 0.91, 95% CI 0.81 to 1.02). CONCLUSIONS: Alcohol involvement in fatal motor vehicle crashes in the USA is similarly prevalent in US and Mexican drivers, but is substantially less common in Canadian drivers.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».