The absence of data on driving under the influence of alcohol in road traffic studies: a scoping review of non-randomized studies with vote counting based on the direction of effects of alcohol policies
Notice bibliographique
Résumé
BACKGROUND: Data on driving under the influence of alcohol (DUIA) are not always available, accurate, or reliable, making it difficult to study the effects of alcohol policies on road traffic outcomes. The objectives of our study were twofold: 1) to describe how road traffic outcomes of alcohol policies are assessed when DUIA data are missing, and 2) to explore the effects of alcohol policies when DUIA data are missing. METHODS: We conducted a scoping review of non-randomized studies that assessed the road traffic outcomes of alcohol policies when DUIA data are missing. Until November 2021, we searched studies published between 2000 and 2021, in English or French, via MEDLINE, APA PsycInfo, CINAHL, and SocINDEX. We assessed the risk of bias in the included studies with the Quality Assessment Tool for Before-After (Pre-Post) Studies With No Control Group. The selection process, data extraction, and the risk of bias assessment were conducted independently and in duplicate. We used vote counting based on the direction of the effects of alcohol policies as a synthesis method. The protocol for this review was published in PROSPERO under record number CRD42021266744. RESULTS: Twenty-four eligible studies were included. Regarding objective 1, most studies used uncontrolled interrupted time series designs to assess road traffic fatalities resulting from night-time crashes. The reasons for missing DUIA data were generally not reported. Regarding objective 2, we found evidence for an association between alcohol policies and decreased road traffic fatalities. Subgroup analyses found no evidence for an association between methodological modifiers and positive effect directions for road traffic fatalities. CONCLUSION: Caution is needed when interpreting road traffic outcomes associated with alcohol policies when DUIA data are missing. Greater efforts should be made to improve the reporting of outcomes assessments. Future studies must address several methodological issues (e.g., more granular data, well-defined intervention and implementation, and controlled designs). Our results should be compared to those from others reviews where DUIA data were available to confirm or recalibrate the associations found in studies where DUIA data were missing.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».