Comparison of the number of pedestrian and cyclist injuries captured in police data compared with health service utilisation data in Toronto, Canada 2016–2021
Notice bibliographique
Résumé
INTRODUCTION: Pedestrian and cyclist injuries represent a preventable burden to Canadians. Police-reported collision data include information on where such collisions occur but under-report the number of collisions. The primary objective of this study was to compare the number of police-reported collisions with emergency department (ED) visits and hospitalisations in Toronto, Canada. METHODS: Police-reported collisions were provided by Toronto Police Services (TPS). Data included the location of the collision, approximate victim age and whether the pedestrian or cyclist was killed or seriously injured. Health services data included ED visits in the National Ambulatory Care Reporting System and hospitalisations from the Discharge Abstract Database using ICD-10 codes for pedestrian and cycling injuries. Data were compared from 2016 to 2021. RESULTS: Injuries reported in the health service data were higher than those reported in the TPS for cyclists and pedestrians. The discrepancy was the largest for cyclists treated in the ED, with TPS capturing 7.9% of all cycling injuries. Cyclist injuries not involving a motor vehicle have increased since the start of the pandemic (from 3629 in 2019 to 5459 in 2020 for ED visits and from 251 in 2019 to 430 for hospital admissions). IMPLICATIONS: While police-reported data are important, it under-reports the burden. There have been increases in cyclist collisions not involving motor vehicles and decreases in pedestrian injuries since the start of the pandemic. The results suggest that using police data alone when planning for road safety is inadequate, and that linkage with other health service data is essential.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».