Injuries and helmet use related to non-motorized wheeled activities among pediatric patients
Notice bibliographique
Résumé
INTRODUCTION: Patients presenting to emergency departments (ED) for injuries resulting from recreational activities represent a unique source of information on important directions for injury prevention efforts. We describe the epidemiology of non-motorized wheeled activity-related injury in pediatric patients presenting to Canadian EDs as well as patients' helmet use. METHODS: Data for the years 2004 to 2009 were abstracted from the Canadian Hospitals Injury Reporting and Prevention Program (CHIRPP), a national ED injury surveillance program in fifteen hospitals. RESULTS: Most of the 28 618 children aged 1 to 16 years injured during non-motorized wheeled activities were injured while cycling, followed by skateboarding. Most injuries occurred among boys. Children injured on scooters tended to be younger whereas skateboarders were the oldest. On average, the number of all injuries decreased by 6% over the time period. Falls were the most common mechanism of injury; 8.3% of patients had head injuries, which were seen more often among cyclists than other wheeled-activity users. Helmet use was greatest among cyclists (62.2%) and lowest among skateboarders (32.9%). Injured patients presenting to EDs in jurisdictions with legislation mandating helmet use had 2.12 greater odds of helmet use and 0.86 lesser odds of head injury compared with those presenting in jurisdictions without helmet laws. CONCLUSION: These results provide further evidence that legislation mandating helmet use may be an effective way of reducing injury among all wheeled-activity users. The small number of patients who presented with helmet use and protective gear (59.4% overall) suggests that this remains an area for intervention.
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 ».