Exploring the burden of fatal drowning and data characteristics in three high income countries: Australia, Canada and New Zealand
Notice bibliographique
Résumé
Drowning is a leading and preventable cause of death that has suffered an attention deficit. Improving drowning data in countries would assist the understanding of the full extent and circumstances of drowning, to target interventions and evaluate their effectiveness. The World Health Organization identifies data collection as a key strategy underpinning effective interventions. This study compares unintentional fatal drowning data collection, management and comparison using the databases of Australia, Canada and New Zealand. Cases of fatal unintentional drowning between 1-January-2005 and 31–December-2014 were extracted. Cases were combined into a single dataset and univariate and chi square analysis ( p < 0.01) were undertaken. Location and activity variables were mapped and combined. Variables consistently collected across the three countries were compared to the ILCOR Drowning Data Guideline. The authors also recommend variables for a minimum core dataset. Of 55 total variables, 19 were consistent and 13 could be compared across the three databases. When mapped against the ILCOR Drowning Data Guideline, six variables were consistently collected by all countries, with five compared within this study. The authors recommend a minimum core dataset of 11 variables including age, sex, location, activity, date of incident, and alcohol and drug involvement). There were 8176 drowning deaths (Australia 34.1%, Canada 55.9%, New Zealand 9.9%). All countries achieved reductions in crude drowning rates (Australia − 10.2%, Canada − 20.4%, New Zealand − 24.7%). Location and activity prior to drowning differed significantly across the three countries. Beaches (X 2 = 1151.0; p < 0.001) and ocean/harbour locations (X 2 = 300.5;p < 0.001) were common in Australia and New Zealand, while lakes/ponds (X 2 = 826.5; p < 0.001) and bathtubs (X 2 = 27.7;p < 0.001) were common drowning locations in Canada. Boating prior to drowning was common in Canada (X 2 = 66.3;p < 0.001). The comparison of data across the three countries was complex. Work was required to merge categories within the 20% of variables collected that were comparable, thus reducing the fidelity of data available. Data sources, collection and coding varied by country, with the widest diversity seen in location and activity variables. This study highlights the need for universally agreed and consistently applied categories and definitions to allow for global comparisons and proposes a core minimum dataset.
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 | 0,002 | 0,000 |
| 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 ».