Road traffic fatalities in rural and remote Australia from 2006 to 2017: The need for targeted action
Notice bibliographique
Résumé
OBJECTIVE: To explore rural motor vehicle collision (MVC) fatalities by trends over time, mode of transport, age, state, sex, and Aboriginal and Torres Strait Islander status. DESIGN: A retrospective total population-based time series was conducted using the Australian Bureau of Statistics (ABS) death registration data. SETTING: All statistical local area (SLA) within Australia from 2006 to 2017. PARTICIPANTS: Australian residents whose deaths were registered with the ABS between 01 January 2006 and 31 December 2017 where the underlying cause of death was related to unintentional transport accidents. MAIN OUTCOME MEASURES: Fatality rates were determined using population data collected from the 2006, 2011 and 2016 census. Trends over time by rurality were analysed by financial year. Rates of transport deaths by vehicle type were determined by rurality. Risk ratios were calculated to compare demographic groups based on sex, Aboriginal and Torres Strait Islander status and age. A 3-year scorecard was organised by state and rurality using 99.7% confidence intervals. RESULTS: Motor vehicle collision fatalities increase with increasing remoteness. Females, children from 0 to 14 years, pedestrians, and Aboriginal and Torres Strait Islander peoples are at a significantly higher risk of fatal MVCs than their respective metropolitan counterparts. The 3-year scorecard indicates that road fatality rates in the NT, WA, and all rural and remote areas required immediate attention and targeted action. CONCLUSIONS: There is a need for investment in MVC fatality prevention in rural Australia from inner regional to remote areas in order to meet the road safety targets established by the National Road Safety Strategy.
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) | 0,000 | 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 | 0,001 |
| 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 ».