Interventions to Prevent Unintentional Injuries Among Adolescents: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Globally, every day, ∼2,300 children and adolescents succumb to unintentional injuries sustained from motor vehicle collisions, drowning, poisoning, falls, burns, and violence. The rate of deaths due to motor vehicle injuries in adolescents is 10.2 per 100,000 adolescents. We systematically reviewed published evidence to identify interventions to prevent unintentional injuries among adolescents aged 11-19 years. We defined unintentional injuries as a subset of injuries for which there was no evidence of predetermined intent, and the definition included motor vehicle injuries, suffocation, drowning, poisoning, burns, falls, and sports and recreation. Thirty-five studies met study eligibility criteria. The included studies focused on interventions to prevent motor vehicle injuries and sports-related injuries. Results suggest that possession of a graduated driver license (GDL) significantly reduced road accidents by 19% (relative risk [RR]: .81; 95% confidence interval [CI]: .75-.88; n = 5). There was no impact of GDL programs on incidence of injuries (RR: .78; 95% CI: .57-1.06; n = 2), helmet use (RR: 1.0; 95% CI: .98-1.02; n = 3), and seat belt use (RR: .99; 95% CI: .97-1.0; n = 3). Sports-related injury prevention interventions led to reductions in the incidence of injuries (RR: .66; 95% CI: .53-.82; n = 15), incidence of injury per hour of exposure (RR: .63; 95% CI: .47-.86; n = 5), and injuries per number of exposures (RR: .79; 95% CI: .70-.88; n = 4). Subgroup analysis according to the type of interventions suggests that training ± education and the use of safety equipment had significant impacts on reducing the incidence of injuries. We did not find any study focusing on interventions to prevent suffocation, drowning, poisoning, burns, and falls in the adolescent age group. The existing evidence is mostly from high-income countries, limiting the generalizability of these findings for low- and middle-income countries. Studies evaluating these interventions need to be replicated in a low- and middle-income country-context to evaluate effectiveness with standardized outcome measures.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,010 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».