Ascertainment and description of pedestrian and bicycling injuries and fatalities in Ontario from administrative health records 2003–2017: contributions of non-collision falls and crashes
Notice bibliographique
Résumé
INTRODUCTION: Pedestrian and bicycling injuries may be less likely to be captured by traffic injury surveillance relying on police reports. Non-collision injuries, including pedestrian falls and single bicycle crashes, may be more likely than motor vehicle collisions to be missed. This study uses healthcare records to expand the ascertainment of active transportation injuries and evaluate their demographic and clinical features. METHODS: We identified pedestrian and bicyclist injuries in records of deaths, hospitalisations and emergency department visits in Ontario, Canada, between 2002 and 2017. We described the most common types of clinical injury codes among these records and assessed overall counts and proportions of injury types captured by each ascertainment definition. We also ascertained relevant fall injuries where the location was indicated as 'street or highway'. RESULTS: Pedestrian falls represented over 50% of all pedestrian injuries and affected all age groups, particularly non-fatal falls. Emergency department records indicating in-traffic bicycle injuries not involving a collision with motor vehicles increased from 14% of all bicycling injury records in 2003 to 34% in 2017. The overall number of injuries indicated by these ascertainment methods was substantially higher than official counts derived from police reports. CONCLUSION: The use of healthcare system records to ascertain bicyclist and pedestrian injuries, particularly to include non-collision falls, can more fully capture the burden of injury associated with these transportation modes.
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 ».