Comparing pedestrian and cyclist injuries from falls and collisions in British Columbia, Canada: Frequencies and population characteristics
Notice bibliographique
Résumé
Walking and cycling offer health benefits but carry injury risks. Traditional road safety datasets often exclude pedestrian and cyclist falls, despite emerging evidence that injuries from falls occur more frequently than collisions with motor vehicles. This research compared the frequency of pedestrian and cyclist injuries from falls versus collisions using hospital admissions data from a linked database of road traffic injuries in British Columbia, Canada, which combined hospital admissions, and sociodemographic information from 2015 to 2019. Additionally, we examined differences in injury severity and population characteristics between those injured in falls versus collisions. Of 6807 pedestrian hospital admissions, 68.8 % were from falls—2.3 times higher than motor vehicle collisions (29.2 %). Among 2409 cyclist admissions, falls accounted for 48.6 %–1.8 times higher than motor vehicle collisions (27.6 %). More severe injuries (MAIS3+) occurred less frequently in falls (25.0 % pedestrians, 17.9 % cyclists) than in collisions with motor vehicles (39.7 %, 27.4 %). We also found that falls disproportionately happen to older adults, females, higher-income individuals, and rural residents with more pronounced differences in pedestrians. Our analysis revealed that pedestrian and cyclist falls are major contributors to the burden of road traffic injury and emphasizes the need for their inclusion in road safety surveillance and research. Reliance on datasets that exclude falls, or failing to consider falls as a road safety issue, can potentially hinder the development of infrastructure and built environment design solutions aimed at reducing the frequency and severity of fall injuries to pedestrians and cyclists. • We counted pedestrian and cyclist injuries from falls compared to collisions. • Pedestrian falls were 2.3 times more frequent than collisions with motor vehicles. • Cyclist falls were 1.8 times more frequent than collisions with motor vehicles. • Older adults, women, higher-income, and rural residents fall more often. • Road traffic injury definitions should include falls for surveillance and research.
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 | 0,001 | 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 ».