Alcohol control policy and changes in alcohol‐related traffic harm
Notice bibliographique
Résumé
AIMS: To study the impact of alcohol control policy measures (i.e. increases in taxation, restrictions on availability, including minimum purchasing age regulations, legislation on drink driving and advertisement bans) on alcohol-related traffic harm in Lithuania between January 2004 and February 2019. DESIGN: Analyses of trend data on the proportion of alcohol-related collisions and crashes, injury and mortality, adjusting for secular trends, seasonality, periods of alcohol control measure implementation and economic development. Generalized additive mixed models were used. Multiple sensitivity analyses were conducted. SETTING: Lithuania. CASES: Monthly number of alcohol-related cases of traffic collisions and crashes, injuries and deaths. INTERVENTIONS AND COMPARATORS: Periods of time during which new alcohol control measures were implemented and/or augmented compared to periods when they were not. MEASUREMENTS: Monthly data for 2004 to 2019 from routine statistics of the Lithuanian Road Police Service. FINDINGS: All indicators decreased consistently and significantly after the implementation of alcohol control measures, including increased taxation, reduction of availability and a ban on advertisement, starting in 2014. On average, each implemented policy measure permanently reduced the proportion of alcohol-attributable crashes by 0.55% [95% confidence interval (CI) = 0.21-0.90%; P = 0.002], the proportion of alcohol-attributable injuries by 0.60% (95% CI = 0.24-0.97%; P = 0.001) and the proportion of alcohol-attributable deaths by 0.13% (95% CI = 0.10-0.15%; P < 0.001). CONCLUSIONS: Alcohol control policy measures, including measures to reduce overall level of alcohol consumption, were associated with a marked decrease in alcohol-related traffic harm.
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 | 0,000 |
| 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 ».