901 Risk factors for bicycling injuries in children and adolescents: a systematic review
Notice bibliographique
Résumé
Background Bicycling injuries in young people represent a substantial cost to health care systems. The objective of this review was to examine the individual and environmental factors associated with bicycling-related injury risk in children and youth. Methods Fourteen electronic databases were searched using exploded subject headings and keywords. Two authors independently screened article titles and abstracts for inclusion. The full-text of the potential articles was assessed to determine eligibility. The inclusion criteria were bicyclists less than 18 years old; individual and environmental characteristics of bicycling outcomes; comparisons between injured and uninjured bicyclists, injury type or severity level; study designs with a pre-determined comparison group; and publications in English from 1990 to May 2015. The exclusion criteria were injury outcomes related to helmet use, helmet legislation or mountain biking; comparisons of census-based injury rates; cross-sectional studies; and letters to the editor. A modified version of the Newcastle-Ottawa Scale was used to assess study quality. Results Fifteen articles met the inclusion and exclusion criteria. Overall, 46 different risk factors were examined. The most commonly reported risk factors were age (N = 10 studies), sex (N = 7), equipment related factors (N = 6), bicycling exposure (N = 5), bicycling purpose (N = 5), and motor vehicle (MV) collision (N = 4). The reviewed studies varied in quality; the main weaknesses were inadequate definitions of study groups, lack of control for potential confounders, and the use of self-reported data. Conclusions While many of the studies had significant limitations, one recurring theme was that young bicyclists received more severe injuries when exposed to MV collisions. To reduce injuries in children and adolescents, we recommend separating bicyclists from MVs on the road and implementing strategies to reduce traffic speed and volume.
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 | 0,005 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,010 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».