A scoping review of road traffic data systems in the Eastern Mediterranean Region
Notice bibliographique
Résumé
Background: Road traffic injury is a major global health risk, however, under-reporting of road traffic crashes data and the use of different reporting systems have made it difficult to compare data across countries. Aim: To examine published and grey literature for better understanding of available health and non-health road traffic data systems in the Eastern Mediterranean Region (EMR) countries. Methods: We conducted a systematic search of databases to identify studies reporting road traffic data systems in the EMR countries between 2011 and January 2022. We also searched grey literature on the websites of government, WHO, World Bank, UNICEF, regional economic commissions and other relevant institutions. We assembled the data in Microsoft Excel and presented the counts of data sources, data types and data quality. Results: We included 84 of 2238 studies accessed in this review. One-third of the publications was from the Islamic Republic of Iran while 10% was from Pakistan. Police databases were the primary sources of data in most of the studies (79%) while hospital and death registration systems together accounted for one-quarter of the databases. The most common indicators reported in the publications were deaths (61%), crashes (48%) and injuries (35%). Only 40% of the studies disaggregated their analyses by gender and 44% by age. No papers identified permanently linked data sources, although more than a quarter of the papers reviewed used some form of modelling or data mining. Conclusion: This scoping review highlights an over-reliance on police data, poor quality traffic data systems, and multiple stakeholders collecting similar data, leading to redundancy. EMR countries need to establish robust road safety data systems to provide data for relevant policies and interventions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».