Vulnerable road user injury trends following the COVID-19 pandemic in Toronto, Canada: An interrupted time series analysis
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic altered traffic patterns worldwide, potentially impacting pedestrian and bicyclists safety in urban areas. In Toronto, Canada, work from home policies, bicycle network expansion, and quiet streets were implemented to support walking and cycling. We examined pedestrian and bicyclist injury trends from 2012 to 2022, utilizing police-reported killed or severely injured (KSI), emergency department (ED) visits and hospitalization data. METHODS: We used an interrupted time series design, with injury counts aggregated quarterly. We fit a negative binomial regression using a Bayesian modeling approach to data prior to the pandemic that included a secular time trend, quarterly seasonal indicator variables, and autoregressive terms. The differences between observed and expected injury counts based on pre-pandemic trends with 95% credible intervals (CIs) were computed. RESULTS: There were 38% fewer pedestrian KSI (95%CI: 19%, 52%), 35% fewer ED visits (95%CI: 28%, 42%), and 19% fewer hospitalizations (95%CI: 2%, 32%) since the beginning of the COVID-19 pandemic. A reduction of 35% (95%CI: 7%, 54%) in KSI bicyclist injuries was observed, but However, ED visits and hospitalizations from bicycle-motor vehicle collisions were compatible with pre-pandemic trends. In contrast, for bicycle injuries not involving motor vehicles, large increases were observed for both ED visits, 73% (95% CI: 49%, 103%) and for hospitalization 108% (95% CI: 38%, 208%). CONCLUSION: New road safety interventions during the pandemic may have improved road safety for vulnerable road users with respect to collisions with motor vehicles; however, further investigation into the risk factors for bicycle injuries not involving motor vehicles is required.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».