MétaCan
Menu
Retour à la cohorte
Enregistrement W2999802139 · doi:10.1136/injuryprev-2019-043302

Morbidity and mortality from road injuries: results from the Global Burden of Disease Study 2017

2020· article· en· W2999802139 sur OpenAlexaff
Spencer L James, Lydia R Lucchesi, Catherine Bisignano, Chris D Castle, Zachary V Dingels, Jack T Fox, Erin B Hamilton, Zichen Liu, Darrah McCracken, Molly R Nixon, Dillon O Sylte, Nicholas L S Roberts, Oladimeji Adebayo, Teamur Aghamolaei, Suliman Alghnam, Syed Mohamed Aljunid, Amir Almasi‐Hashiani, Alaa Badawi, Masoud Behzadifar, Eyasu Tamru Bekru, Derrick Bennett, Jens R. Chapman, Kebede Deribe, Bereket Duko Adema, Yousef Fatahi, Eskezyiaw Agedew, Delia Hendrie, Andualem Henok, Hagos D Hidru, Mehdi Hosseinzadeh, Guoqing Hu, Mohammad Ali Jahani, Mihajlo Jakovljević, Farzad Jalilian, Nitin Joseph, Manoochehr Karami, Abraham Getachew Kelbore, Md Nuruzzaman Khan, Yun Jin Kim, Parvaiz A Koul, Carlo La Vecchia, Shai Linn, Reza Majdzadeh, Man Mohan Mehndiratta, Peter Memiah, Melkamu Merid Mengesha, Hayimro Edemealem Merie, Ted R. Miller, Mehdi Mirzaei-Alavijeh, Aso Mohammad Darwesh, Naser Mohammad Gholi Mezerji, Roghayeh Mohammadibakhsh, Yoshan Moodley, Maziar Moradi‐Lakeh, Kamarul Imran Musa, Bruno Ramos Nascimento, Rajan Nikbakhsh, Peter S. Nyasulu, Ahmed Omar Bali, Obinna Onwujekwe, Sanghamitra Pati, Reza Pourmirza Kalhori, Farkhonde Salehi, Saeed Shahabi, Seifadin Ahmed Shallo, Morteza Shamsizadeh, Zeinab Sharafi, Sharvari Shukla, Mohammad Reza Sobhiyeh, Joan B. Soriano, Bryan L. Sykes, Rafael Tabarés‐Seisdedos, Degena Bahrey Tadesse, Yibekal Manaye Tefera, Arash Tehrani‐Banihashemi, Boikhutso Tlou, Roman Topór-Mądry, Taweewat Wiangkham, Mehdi Yaseri, Sanni Yaya, Mustafa Z Younis, Arash Ziapour, Sanjay Zodpey, David M. Pigott, Robert C. Reiner, Simon I Hay, Alan D Lopez, Ali H. Mokdad

Notice bibliographique

RevueInjury Prevention · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueTraffic and Road Safety
Établissements canadiensUniversity of OttawaCommunity Based Research CentreInstitute of Health EconomicsUniversity of TorontoPublic Health Agency of Canada
Organismes subventionnairesXiamen UniversityWellcome TrustBill and Melinda Gates Foundation
Mots-clésIncidence (geometry)DemographyYears of potential life lostBurden of diseaseInjury preventionPoison controlOccupational safety and healthMedicineMortality rateDisease burdenRoad trafficSuicide preventionLife expectancyEnvironmental healthPopulationSurgeryPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The global burden of road injuries is known to follow complex geographical, temporal and demographic patterns. While health loss from road injuries is a major topic of global importance, there has been no recent comprehensive assessment that includes estimates for every age group, sex and country over recent years. METHODS: We used results from the Global Burden of Disease (GBD) 2017 study to report incidence, prevalence, years lived with disability, deaths, years of life lost and disability-adjusted life years for all locations in the GBD 2017 hierarchy from 1990 to 2017 for road injuries. Second, we measured mortality-to-incidence ratios by location. Third, we assessed the distribution of the natures of injury (eg, traumatic brain injury) that result from each road injury. RESULTS: Globally, 1 243 068 (95% uncertainty interval 1 191 889 to 1 276 940) people died from road injuries in 2017 out of 54 192 330 (47 381 583 to 61 645 891) new cases of road injuries. Age-standardised incidence rates of road injuries increased between 1990 and 2017, while mortality rates decreased. Regionally, age-standardised mortality rates decreased in all but two regions, South Asia and Southern Latin America, where rates did not change significantly. Nine of 21 GBD regions experienced significant increases in age-standardised incidence rates, while 10 experienced significant decreases and two experienced no significant change. CONCLUSIONS: While road injury mortality has improved in recent decades, there are worsening rates of incidence and significant geographical heterogeneity. These findings indicate that more research is needed to better understand how road injuries can be prevented.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,067

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0050,009
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,290
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations183
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInjury PreventionMême sujetTraffic and Road SafetyTravaux en français237 207