Determinants of Economic Costs Following Road Traffic Injuries in Canada: A Quantile Regression Forests Machine Learning Approach
Notice bibliographique
Résumé
Introduction: This study aimed to identify major determinants of the cost of road traffic (RT) injuries, rank their importance, and assess their effects on different quantiles of cost distribution. Methods: This study analyzed data collected from 1372 Canadian RT survivors from July 2018 to March 2020. Costs, including healthcare and lost productivity costs over a year following RT injury, were estimated for each participant in 2023 Canadian dollars. Productivity loss was measured using the Institute for Medical Technology Assessment Productivity Cost Questionnaire. We considered 24 potential determinants of costs, which were grouped into five domains: sociodemographic, psychological, health, crash, and injury factors assessed during baseline interview. We employed a quantile regression forests machine learning approach alongside classical quantile regression to analyze costs. These methods were selected to capture heterogeneous effects across cost distribution, which are overlooked by traditional mean-based models, and to inform policy decisions targeting high-cost subgroup. Results: The results showed that the 10th, 50th, and 90th quantiles of costs were $1,141.9, $7,403.1, and $49,537.5, respectively. ISS, GCS, and age were the top three influential variables among low-cost, medium-cost, and high-cost patients. ISS, GCS, age, sex, employment status, and living situation were common major determinants at all quantiles. Ethnicity was selected as an important determinant at the 50th and 90th quantiles. Education level, years lived in Canada, somatic symptoms severity, psychological distress, HRQoL, road user type, and head, torso, spine/back, and lower extremity injuries were selected only for high-cost patients (90th quantile). Classical quantile regression showed that selected major predictors disproportionately affected low-cost, middle-cost and high-cost patients. Conclusion: High-cost patients were more likely to be older, retired, less educated, and have worse clinical and psychological indicators. These insights can guide targeted prevention and resource allocation strategies to reduce the economic burden of RT injuries.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».