Factors pertaining to road traffic injuries; a systematic scoping review and meta-analysis
Notice bibliographique
Résumé
Abstract Background Many factors have been associated with road traffic injuries (RTI) while no study has cumulatively gathered and pooled them. Methods A comprehensive search was carried out in PubMed, World of Sciences, and Scopus based on predefined keywords. Two independent reviewers performed screening the search findings and data extraction procedure. Risk of bias was checked based on the Newcastle–Ottawa Scale. Odds ratios (OR) were extracted and pooled by meta-analysis to reach the overall effect. Results In all, 34 studies were included that summed 277,943 individuals, reporting at least one factor pertaining to RTI. The factors related to an increased rate of RTIs (OR 1.49, 95% confidence interval 1.35–1.64). Based on the included publications, factors could be grouped as alcohol consumption (1.74, 1.32–2.30), experienced driving and self-confidence (106, 0.94–1.20), seatbelt fastening incompliance (1.45, 1.39–1.51), driving in poor roads and rural areas (1.31, 1.03–1.42), lower education level (1.30, 1.17–1.44), lower income (1.23, 1.13–1.33), malfunctioned vehicle (1.77, 1.52–2.05), and driving with psychological tensions (1.20, 1.11–1.30). Conclusion Almost all the discovered factors in this study were among the modifiable factors that highlight the need for preventive and debarment measures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,022 |
| Bibliométrie | 0,021 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».