Cycling and Pedestrian Injuries in the Region of Peel, Ontario; An application of linked administrative health data to enhance local road safety and health service delivery, through an Applied Health Research Question (AHRQ)
Notice bibliographique
Résumé
ObjectivesAn Applied Health Research Question request from Peel Public Health was investigated, to provide a comprehensive overview of injury patterns and healthcare utilization, among cyclists and pedestrians in the Peel Region of Ontario. ApproachEmergency department visits and hospitalizations across the Peel region were analyzed from 2018 to 2022, and categorized by collision type (pedestrian, cyclist motor vehicle collision (MVC), and cyclist non-MVC). Data was segmented quarterly and annually, and further stratified by residence status, sex, and age, by linking individuals to other administrative health databases. Additionally, 30-day mortality outcomes were evaluated. To contextualize incidence rates with population demographics, Public Health Data Zone and Census Subdivision data were also utilized. ResultsFor ambulatory visits, a substantial majority of Peel residents received treatment within the region, evidenced by 4,483 cyclist visits (55%) and 1,338 pedestrian visits (50%). However, a noteworthy portion of Peel residents — 188 cyclists (45%) and 182 pedestrians (46%) — received treatment outside the region. Hospitalization patterns echoed these visits. Overall, non-MVCs accounted for a large proportion of cycling incidents, particularly among females, stressing the need for targeted safety measures. Still, survival rates post-incident were notable, with a 100% survival rate for cyclists after ambulatory visits. Pedestrian survival rates were similarly high. ConclusionThis study provided valuable insights into patterns of pedestrian and cyclist injuries among Peel residents, revealing considerable cross-regional healthcare utilization. ImplicationsFindings will be utilized by the Region of Peel and partner organizations, to enhance local road safety initiatives and service delivery for vulnerable road users.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».