Translating risk to preventable burden by estimating numbers of bicycling injuries preventable by separated infrastructure on a Toronto, Ontario corridor
Notice bibliographique
Résumé
Objectives: Bicycling is a form of active transportation with a number of health benefits but carries a high risk of injury compared to other transportation modes. Safety intervention evaluations often produce results in the form of ratios, which can be difficult to communicate to policy-makers. The primary objective of this study was to estimate the number of bicycling injuries on an urban corridor preventable by separated bicycling infrastructure.
 Methods: Stakeholders identified a key corridor with multiple segments having bicycling infrastructure but most of the corridor lacking similar infrastructure. We counted bicyclist volume along this route and used secondary data to supplement counts missing due to COVID-19. We used two reference studies including local bicycling population to estimate benefit of separated bicycling infrastructure and applied this to a city-wide estimate of baseline risk of injury per kilometre bicycled, which used a combination of secondary data sources including police, health care and travel survey data. Finally, we adjusted baseline risk to account for increased bicyclist volume during and following the COVID-19 pandemic.
 Results: We estimated installation of fully separated cycle tracks along one Toronto corridor would prevent approximately 152.9 injuries and 0.9 fatalities over a 10-year period.
 Discussion: Our results underscore the benefits of separated bicycling infrastructure. We identify several caveats for our results, including the limitations of studies used to estimate relative risk of infrastructure. Our method could be adapted for use in other cities or along other corridors. Finally, we discuss the role of preventable burden estimates as a knowledge translation tool.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».