Do motorcycle helmets reduce road traffic injuries, hospitalizations and mortalities in low and lower-middle income countries in Africa? A systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Studies in Africa have examined the association between helmet use and injury prevention, however, there has been no systematic review to synthesize the literature within an African context nor has there been any meta-analysis examining the effect of helmet use on injury prevention. METHODS: The review was performed in accordance with the Joanna Briggs Institute for Systematic Reviews. Articles were searched using several databases (e.g. CINAHL, OVID Medline) and select gray literature (e.g. TRID) sources. Articles were included if they were quantitative studies published in English between 2000 and 2019 and examined the association between motorcycle helmet use with head injuries, hospitalizations, and deaths in low- and lower-middle income countries in Africa with comprehensive motorcycle helmet laws. A meta-analysis was performed using pooled effect sizes assessing the impact of helmet use on reducing head injuries. RESULTS: After screening 491 articles, eight studies met the inclusion criteria. Helmet use ranged from 0 to 43%. The mean age of being involved in a crash was 30 years with males being two times more likely to be involved in motorcycle crashes than females. Drivers (riders) were more likely to be involved in a crash, followed by passengers and then pedestrians. Helmet use reduced injury severity and provided an 88% reduction in serious head injuries (OR 0.118, 95% CI: 0.014-0.968, p = 0.049). CONCLUSIONS: In our study, helmet usage significantly reduced the likelihood of fatal head injuries. African countries with no helmet laws should consider adopting helmet use policies to reduce severe head related injuries from motorcycle crashes.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 |
| 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 ».