Open data and injuries in urban areas—A spatial analytical framework of Toronto using machine learning and spatial regressions
Notice bibliographique
Résumé
Injuries have become devastating and often under-recognized public health concerns. In Canada, injuries are the leading cause of potential years of life lost before the age of 65. The geographical patterns of injury, however, are evident both over space and time, suggesting the possibility of spatial optimization of policies at the neighborhood scale to mitigate injury risk, foster prevention, and control within metropolitan regions. In this paper, Canada's National Ambulatory Care Reporting System is used to assess unintentional and intentional injuries for Toronto between 2004 and 2010, exploring the spatial relations of injury throughout the city, together with Wellbeing Toronto data. Corroborating with these findings, spatial autocorrelations at global and local levels are performed for the reported over 1.7 million injuries. The sub-categorization for Toronto's neighborhood further distills the most vulnerable communities throughout the city, registering a robust spatial profile throughout. Individual neighborhoods pave the need for distinct policy profiles for injury prevention. This brings one of the main novelties of this contribution. A comparison of the three regression models is carried out. The findings suggest that the performance of spatial regression models is significantly stronger, showing evidence that spatial regressions should be used for injury research. Wellbeing Toronto data performs reasonably well in assessing unintentional injuries, morbidity, and falls. Less so to understand the dynamics of intentional injuries. The results enable a framework to allow tailor-made injury prevention initiatives at the neighborhood level as a vital source for planning and participatory decision making in the medical field in developed cities such as Toronto.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».