Preventing Unintentional Injuries in School-Aged Children: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Unintentional injuries constitute the leading causes of death and long-term disabilities among children aged 5 to 15 years. We aimed to systematically review published literature on interventions designed to prevent unintentional injuries among school-aged children. METHODS: We searched MEDLINE, PubMed, Embase, Cochrane Central Register of Controlled Trials, CINAHL, and PsycINFO and screened the reference lists of included studies and relevant reviews. We included randomized controlled trials, controlled before-and-after studies, and interrupted time series studies. The focus of included studies was on primary prevention measures. Two reviewers collected data on type of study design, setting, population, intervention, types of injuries, outcomes assessed, and statistical results. RESULTS: Of 30 179 identified studies, 117 were included in this review. Most of these studies were conducted in high-income countries and addressed traffic-related injuries. Evidence from included studies reveals that multicomponent educational interventions may be effective in improving safety knowledge, attitudes, and behaviors in school-aged children mainly when coupled with other approaches. Laws/legislation were shown to be effective in increasing cycle helmet use and reducing traffic-related injury rates. Findings reveal the relevance of infrastructure modification in reducing falls and improving pedestrian safety among children. CONCLUSIONS: Additional studies are needed to evaluate the impact of unintentional injury prevention interventions on injury, hospitalizations, and mortality rates and the impact of laws and legislation and infrastructure modification on preventing unintentional injuries among school-aged children.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| 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 ».