Material deprivation and rates of all-terrain vehicle- and snowmobile-related injuries in Ontario from 2003 to 2018: a population-based study
Notice bibliographique
Résumé
OBJECTIVES: Socio-economic status (SES) is a well-established predictor of health outcomes; however, there is a dearth of evidence on the relationship between SES and off-road vehicle (ORV) injuries. In Ontario, all-terrain vehicles (ATVs) and snowmobiles present a serious risk for preventable injury. This study assessed the association between area-level material deprivation and the risk of ATV- and snowmobile-related injuries in Ontario, as well as the impact of sex and age. METHODS: A population-based, repeat cross-sectional study was conducted using administrative data of ATV- and snowmobile-related emergency room visits from 2003 to 2018. Material deprivation was measured using the Ontario Marginalization Index, which assigned a score and quintile of deprivation to each dissemination area in Ontario. Age-standardized incidence rates and relative index of inequality values were calculated, stratified by quintile of deprivation, sex, age group, vehicle type, and health region. RESULTS: We found a significant, positive relationship between ORV-related injuries and quintile of material deprivation (RII = 1.28, 95% CI: 1.01-1.63). Rates of ATV- and snowmobile-related injuries remained stable over time. Across all age groups, sex, and rural categories, we found an inverse u-shaped relationship between rates of injuries and quintile material deprivation. Males, individuals living in rural areas, and adolescents and young adults experienced the highest rates of injuries. CONCLUSION: Despite the positive relationship between ORV-related injuries and quintiles of deprivation, the inverse u-shaped relationship suggests that this increased risk of injury is likely related to exposure to ORVs. These results contribute to an understanding of the prevalence of the injury problem at a local level in Ontario. Stable rates of injury over time suggest that current public health programs are not sufficient in reducing these injuries, and further research should determine which factors amenable to intervention are contributing to increased risk of injury.
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 ».