Fatal road traffic injuries in Ibadan, using the mortuary as a data source
Notice bibliographique
Résumé
BACKGROUND: Road Traffic Injury (RTI) in Africa represents 14% of global RTI deaths. Lack of timely, reliable data undermines road safety interventions. Available fatality data are aggregated, limited in detail or scarce in surveys. This is the first fatal RTI surveillance study in Nigeria. OBJECTIVE: To pilot a systematic mortuary-based data collection in Ibadan, determine the nature and circumstances of fatal RTI and assess data quality against existing data sources. METHODS: Using a draft data collection system developed jointly by WHO and Monash University, the detailed information was prospectively collected on RTI University College Hospital mortuary admissions in Ibadan September 2010 to February 2011. Demographics, road user type, counterpart vehicle, intent, manner and medical cause of death were recorded. RESULTS: Mortuary admissions included 80 fatal RTI cases: 81.3% males. By road user category, 28 (35.0%) were pedestrians; 28 (35.0%) motorised 2-wheeler users; 18.8% car occupants; and 11.3% bus occupants. In 70% of cases, medical cause of death was head injury, including 25 of 28 motorised 2-wheeler users (89.3%). Estimates from this study indicate apparent increased mortuary capture of fatal RTI compared with police data. CONCLUSIONS: This study demonstrates the feasibility of collecting detailed, timely RTI fatality data through mortuary-based surveillance in Ibadan. While not all RTI deaths are reported to any authority in Ibadan, this large case series complements existing data sources and suggests that pedestrians and motorised 2-wheeler users die most often in road traffic crashes. Frequent head injuries among motorised 2-wheeler users strongly support the need for helmet wearing interventions.
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 | 0,001 |
| 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 ».