Bicycling injury hospitalisation rates in Canadian jurisdictions: analyses examining associations with helmet legislation and mode share
Notice bibliographique
Résumé
OBJECTIVES: The purpose of this study was to calculate exposure-based bicycling hospitalisation rates in Canadian jurisdictions with different helmet legislation and bicycling mode shares, and to examine whether the rates were related to these differences. METHODS: Administrative data on hospital stays for bicycling injuries to 10 body region groups and national survey data on bicycling trips were used to calculate hospitalisation rates. Rates were calculated for 44 sex, age and jurisdiction strata for all injury causes and 22 age and jurisdiction strata for traffic-related injury causes. Inferential analyses examined associations between hospitalisation rates and sex, age group, helmet legislation and bicycling mode share. RESULTS: In Canada, over the study period 2006-2011, there was an average of 3690 hospitalisations per year and an estimated 593 million annual trips by bicycle among people 12 years of age and older, for a cycling hospitalisation rate of 622 per 100 million trips (95% CI 611 to 633). Hospitalisation rates varied substantially across the jurisdiction, age and sex strata, but only two characteristics explained this variability. For all injury causes, sex was associated with hospitalisation rates; females had rates consistently lower than males. For traffic-related injury causes, higher cycling mode share was consistently associated with lower hospitalisation rates. Helmet legislation was not associated with hospitalisation rates for brain, head, scalp, skull, face or neck injuries. CONCLUSIONS: These results suggest that transportation and health policymakers who aim to reduce bicycling injury rates in the population should focus on factors related to increased cycling mode share and female cycling choices. Bicycling routes designed to be physically separated from traffic or along quiet streets fit both these criteria and are associated with lower relative risks of injury.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».