Motor vehicle collision-related injuries and deaths among Indigenous Peoples in Canada: Meta-analysis of geo-structural factors
Notice bibliographique
Résumé
Introduction: Indigenous Peoples are much more likely than non-Indigenous Peoples to be seriously injured or die in motor vehicle collisions (MVCs). This study updates and extends a previous systematic review, suggesting that future research ought to incorporate social–environmental factors.Methods: We conducted a systematic review and meta-analysis of the published and grey literature on MVCs involving Indigenous Peoples in Canada between 2010 and 2020. We focussed on personal (e.g. driving an old vehicle) and community social–environmental–economic factors (e.g. prevalent low socioeconomic status).Results: Eleven comparative cohorts that resulted in 23 at minimum, age-standardised, mortality or morbidity rate outcomes were included in our meta-analysis. Indigenous Peoples were twice as likely as non-Indigenous Peoples to be seriously injured (rate ratio [RRpooled] = 2.18) and more than 3 times as likely to die (RRpooled = 3.40) in MVCs. Such great risks to Indigenous Peoples do not seem to have diminished over the past generation. Furthermore, such risks were greater on-reserves and in smaller, rural and remote, places.Conclusion: Such places may lack community resources, including fewer transportation and healthcare infrastructural investments, resulting in poorer road conditions in Indigenous communities and longer delays to trauma care. This seems to add further evidence of geo-structural violence (geographical and institutional violence) perpetrated against Indigenous Peoples in yet more structures (i.e. institutions) of Canadian society. Canada's system of highways and roadways and its remote health-care system represent legitimate policy targets in aiming to solve this public health problem.
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) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».