Underreporting and selection bias of serious road traffic injuries in auto insurance claims and police reports in British Columbia, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Administrative datasets (police reports, insurance claims, medical records), form the basis for road safety research, but suffer from under-reporting and selection bias. Data linkage can provide a fuller picture of road traffic injuries and provide insight into dataset-specific biases. We examined the overlap of serious road traffic injuries involving motor vehicles reported in hospitalization records, police reports, and insurance claims in British Columbia, Canada (2015 – 2019) and assess selection bias within each injury dataset. We probabilistically linked police reports, insurance claims, and hospital admissions to a provincial population directory, identifying distinct persons and injuries across datasets. Injuries were linked to sociodemographic and geographic details from other government data including age, sex, low-income status, neighbourhood income and health authority. We analyzed serious injuries to drivers, cyclists and pedestrians. We assessed the proportion of injuries captured by a database (ascertainment rate) and assessed selection bias based on which sociodemographic groups were more likely to only be captured in hospital admissions. From 2015 to 2019, we estimated 57,097 motor vehicle-involved injuries (48,198 motor vehicle drivers, 2,641 cyclists, 6,258 pedestrians). Insurance claims had the highest ascertainment rate for drivers (95.7%), but lower for cyclists (83.3%) and pedestrians (76.5%). Police records and hospital admissions better captured cyclist and pedestrian injuries compared to driver injuries. Unlinked hospital admission injuries were more likely from low-income and remote populations. The underreporting highlights the need for improved injury data collection especially for pedestrian and cyclists, to better capture the full injury burden, particularly among marginalized sociodemographic groups.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle