Helmet legislation and admissions to hospital for cycling related head injuries in Canadian provinces and territories: interrupted time series analysis
Notice bibliographique
Résumé
OBJECTIVE: To investigate the association between helmet legislation and admissions to hospital for cycling related head injuries among young people and adults in Canada. DESIGN: Interrupted time series analysis using data from the National Trauma Registry Minimum Data Set. SETTING: Canadian provinces and territories; between 1994 and 2003, six of 10 provinces implemented helmet legislation. PARTICIPANTS: All admissions (n=66,716) to acute care hospitals in Canada owing to cycling related injury between 1994 and 2008. MAIN OUTCOME MEASURE: Rate of admissions to hospital for cycling related head injuries before and after the implementation of provincial helmet legislation. RESULTS: Between 1994 and 2008, 66,716 hospital admissions were for cycling related injuries in Canada. Between 1994 and 2003, the rate of head injuries among young people decreased by 54.0% (95% confidence interval 48.2% to 59.8%) in provinces with helmet legislation compared with 33.1% (23.3% to 42.9%) in provinces and territories without legislation. Among adults, the rate of head injuries decreased by 26.0% (16.0% to 36.3%) in provinces with legislation but remained constant in provinces and territories without legislation. After taking baseline trends into consideration, however, we were unable to detect an independent effect of legislation on the rate of hospital admissions for cycling related head injuries. CONCLUSIONS: Reductions in the rates of admissions to hospital for cycling related head injuries were greater in provinces with helmet legislation, but injury rates were already decreasing before the implementation of legislation and the rate of decline was not appreciably altered on introduction of legislation. While helmets reduce the risk of head injuries and we encourage their use, in the Canadian context of existing safety campaigns, improvements to the cycling infrastructure, and the passive uptake of helmets, the incremental contribution of provincial helmet legislation to reduce hospital admissions for head injuries seems to have been minimal.
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 | 0,001 |
| 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 ».