Assessing global risk factors for non-fatal injuries from road traffic accidents and falls in adults aged 35–70 years in 17 countries: a cross-sectional analysis of the Prospective Urban Rural Epidemiological (PURE) study
Notice bibliographique
Résumé
OBJECTIVES: To assess risk factors associated with non-fatal injuries (NFIs) from road traffic accidents (RTAs) or falls. METHODS: Our study included 151 609 participants from the Prospective Urban Rural Epidemiological study. Participants reported whether they experienced injuries within the past 12 months that limited normal activities. Additional questions elicited data on risk factors. We employed multivariable logistic regression to analyse data. RESULTS: Overall, 5979 participants (3.9% of 151 609) reported at least one NFI. Total number of NFIs was 6300: 1428 were caused by RTAs (22.7%), 1948 by falls (30.9%) and 2924 by other causes (46.4%). Married/common law status was associated with fewer falls, but not with RTA. Age 65-70 years was associated with fewer RTAs, but more falls; age 55-64 years was associated with more falls. Male versus female was associated with more RTAs and fewer falls. In lower-middle-income countries, rural residence was associated with more RTAs and falls; in low-income countries, rural residence was associated with fewer RTAs. Previous alcohol use was associated with more RTAs and falls; current alcohol use was associated with more falls. Education was not associated with either NFI type. CONCLUSIONS: This study of persons aged 35-70 years found that some risk factors for NFI differ according to whether the injury is related to RTA or falls. Policymakers may use these differences to guide the design of prevention policies for RTA-related or fall-related NFI.
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 | 0,001 |
| 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 ».