Effectiveness of helmets in preventing severe injuries in a setting with poorly enforced quality standards
Notice bibliographique
Résumé
Helmets save lives, yet many countries do not have laws about their quality assessment or how they should be worn. We assessed the effectiveness of helmet use in preventing injuries in such a setting. The data were extracted from a large road traffic injury surveillance study in Karachi, Pakistan. We assessed the association of wearing helmets with several injury outcomes including deaths, injury severity (via New Injury Severity Score, NISS ≥ 9) and moderate or severe injury (via Abbreviated Injury Score, AIS ≥ 2) to head, face, or other regions of the body. The data about helmet use was available for about 109,210 riders injured between January 2007 and December 2013. Only 6% of riders wore helmets, whereas this proportion was less than one percent in pillion riders and women. The rates were also lower among those aged 18 years or younger (1%) and those aged 18 to 25 years (4%). About 2% of riders died; 34% had an injury to the head region, 30% to face, 1% to chest, 5% to abdominal, 46% to extremities, and 61% to external body regions. Likelihood of dying was low among helmet users (adjusted odds ratio [aOR] = 0.37, 95% confidence interval [CI] = 0.28 to 0.50). Helmets reduced the likelihood of moderate to severe injuries to the head (aOR = 0.68, 95% CI = 0.58 to 0.80) but not to the face region (aOR = 1.37, 95%CI = 1.17 to 1.62). Helmet users also had severer injuries in other body regions except for chest injuries. Helmets prevented deaths and severe head injuries but had limited effectiveness in preventing facial injuries in this setting with poor helmet use standards. More work is needed to understand the helmet wearing and rider behaviours in helmet users in this setting.
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 | 0,023 | 0,001 |
| 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 ».