Drivers obesity and road crash risks in the United States
Notice bibliographique
Résumé
We assessed obesity trends in US drivers involved in fatal crashes since 1999 and distinguished whether crash risk factors were different between obese and non-obese drivers. We included drivers of passenger cars involved in fatal traffic crashes between January 1, 1999 and December 31, 2012. Obesity was classified according to the World Health Organization guidelines and profiled between 1999 and 2012 using adjusted prevalence ratio (aPR) from log-binomial regression models. Differences in crash risks (e.g., fatality, drunk-driving, seat-belt non-use) between obese and non-obese drivers were estimated as adjusted odds ratio (aOR) using logistic regression models. A total of 753,024 US drivers were involved in fatal crashes, of whom obesity information was available in 534,887. About 56% (n=299,078) were driving passenger cars. The prevalence of class I obesity increased from 10% in 1999 to 14% in 2012 (aPR=1.50, 95% confidence intervals [95%CI]=1.42-1.58), class II obesity from 3% to 5% (aPR=2.22, 95%CI=2.05-3.01), and class III obesity from 1% to 2% (aPR=2.65; 95%CI=2.27-3.10). Compared to non-obese controls, obese drivers had significantly higher risks for fatality (1.10≤aOR≤1.47), seat-belt non-use (1.00≤aOR≤1.21), need for extrication (1.01≤aOR≤1.23), and ambulance transport time ≥30min (1.01≤aOR≤1.28). Compared to non-obese controls, obese drivers were less likely to drink-drive (0.41≤aOR≤0.72) and speed ≥65mph (0.78≤aOR≤0.93).. The rising national prevalence of obesity extends to US drivers involved in fatal crashes and indicates the need to improve seat-belt use, vehicle design, and post-crash care for this vulnerable population.
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 | 0,005 | 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 | 0,001 | 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 ».