MétaCan
Menu
Retour à la cohorte
Enregistrement W3092325731 · doi:10.12688/f1000research.26281.3

Road traffic injuries in Nepal during COVID-19 lockdown

2021· preprint· en· W3092325731 sur OpenAlexaboutno aff
Bhagabati Sedain, Puspa Raj Pant

Notice bibliographique

RevueF1000Research · 2021
Typepreprint
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCoronavirus disease 2019 (COVID-19)MedicineQuarter (Canadian coin)NS3GeographyMedical emergencyTransport engineeringEngineeringVirologyPathology

Résumé

récupéré en direct d'OpenAlex

<ns3:p> <ns3:bold>Background</ns3:bold> : As the world is busy addressing COVID-19, road traffic injuries, another major cause of death is continuously killing people on the roads. In Nepal, there were frequent media reports of occurrences of road crashes, injuries, and deaths despite nationwide lockdown. This paper aims to describe the situation of road traffic crashes and casualties during the period of complete lockdown. </ns3:p> <ns3:p> <ns3:bold>Methods</ns3:bold> : This study used secondary data from two sources: Nepal Police and media reports between 24 March and 14 June 2020 (because the government lifted the nationwide lockdown from 15 June 2020). Available details of crashes, deaths, and injuries for this period were extracted from media reports and the summary data that was obtained from the Police. We have included data from both sources in the results. </ns3:p> <ns3:p> <ns3:bold>Results</ns3:bold> : Nepal Police recorded 1,801 incidents of road crashes during the 82 days of the COVID-19 lockdown with 256 deaths (on average 3.1 deaths daily) and 1,824 injuries (on average 22.2 injuries daily). Motorcycles comprised over 21% of all vehicles involved in crashes. Ambulances and other vehicles for essential services were also found to be involved in crashes. Speeding itself was the cause for almost a quarter of the incidents during the lockdown. </ns3:p> <ns3:p> <ns3:bold>Conclusions</ns3:bold> : Although a reduction in the number of road crashes and related injuries and fatalities was observed, this reduction was not as substantial as anticipated during the heavy restrictions on vehicular movement imposed during the lockdown. Media reports were mainly found to be reporting the crashes where deaths occurred, but police records also included nonfatal injuries. The incidence of crashes in this period shows that it is important to work for road safety to save lives from road traffic crashes in Nepal. </ns3:p>

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,368
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0010,004
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,140
Tête enseignante GPT0,486
Écart entre enseignants0,346 · 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 tête enseignante, pas un consensus.

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

Citations22
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueF1000ResearchMême sujetCOVID-19 and healthcare impactsTravaux en français237 207