The rural–urban gap: differences in injury characteristics
Notice bibliographique
Résumé
BACKGROUND: Injuries are among the top 10 leading causes of death in Canada. However, the types and rates of injuries vary between rural versus urban settings. Injury rates increase with rurality, particularly those related to motor vehicle collisions. Factors such as type of work, hazardous environments and longer driving distances contribute to the difference in rural and urban injury rates. Further examination of injuries comparing rural and urban settings with increased granularity in the nature of injuries and severity is needed. METHODS: The study population consisted of records from the electronic Canadian Hospitals Injury Reporting and Prevention Program (eCHIRPP) from between 2011 and July 2017. Rural and urban status was determined based on postal codes as defined by Canada Post. Proportionate injury ratios (PIRs) were calculated to compare rural and urban injury rates by nature and severity of injury and sex, among other factors. RESULTS: Rural injuries were more likely to involve multiple injuries (PIR = 1.66 for 3 injuries) and crush injuries (PIR = 1.72). More modestly elevated PIRs for rural settings were found for animal bites (1.14), burns (1.22), eye injuries (1.32), fractures (1.20) and muscle or soft tissue injuries (1.11). Injuries in rural areas were more severe, with a higher likelihood of cases being admitted to hospital (1.97), and they were more likely to be due to a motor vehicle collision (2.12). CONCLUSION: The nature of injuries in rural settings differ from those in urban settings. This suggests a need to evaluate current injury prevention efforts in rural settings with the aim to close the gap between rural and urban injury rates.
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 | 0,001 | 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 ».