Alcohol use, aquatic injury, and unintentional drowning: A systematic literature review
Notice bibliographique
Résumé
ISSUES: Drowning is a global public health issue, and there is a strong association between alcohol and risk of drowning. No previous systematic review known to date has identified factors associated with alcohol use and engagement in aquatic activities resulting in injury or drowning (fatal and non-fatal). APPROACH: Literature published from inception until 31 January 2017 was reviewed. Included articles were divided into three categories: (i) prevalence and/or risk factors for alcohol-related fatal and non-fatal drowning and aquatic injury, (ii) understanding alcohol use and aquatic activities, and (iii) prevention strategies. Methodological quality of studies was assessed using National Health and Medical Research Council (NHMRC) Level of Evidence and risk of bias was assessed using the Newcastle-Ottawa Quality Assessment Scales. KEY FINDINGS: In total, 74 studies were included (57 on prevalence and/or risk factors, 15 on understanding alcohol use, and two on prevention strategies). Prevalence rates for alcohol involvement in fatal and non-fatal drowning varied greatly. Males, boating, not wearing lifejackets, and swimming alone (at night, and at locations without lifeguards) were risk factors for alcohol-related drowning. No specific age groups were consistently identified as being at risk. Study quality was consistently low, and risk of bias was consistently high across studies. Only two studies evaluated prevention strategies. IMPLICATIONS: There is a need for higher quality studies and behavioural basic and applied research to better understand and change this risky behaviour. CONCLUSION: On average, 49.46% and 34.87% of fatal and non-fatal drownings, respectively, involved alcohol, with large variations among studies observed.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| 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 | 0,001 |
| 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 ».