OA2064. Data limitations in the epidemiology of injuries to vulnerable road users in four Canadian cities
Notice bibliographique
Résumé
Abstract Background Injuries to pedestrians and bicyclists are frequent in cities, particularly in car-centric cities in North America. However, the need for a reduction in automotive transportation and concurrent increase in walking and bicycling is essential for sustainability. Methods This study examines what information is available to Canadian municipalities, and what is needed to make evidence-based decisions on how to make the built environment safer for walking and bicycling. This includes different ways to count injuries, and evaluations of interventions to reduce speed, including automated speed enforcement. Results A summary of data from 4 Canadian cities will identify what we know (pedestrian and cyclist injury rates, effectiveness of speed reduction interventions) and where there are gaps in the data (measures of exposure to risk). For example, an comparison of police data to Emergency Department data indicates that police data capture only 8% of bicyclist injuries and 48% of pedestrian injuries. Speed humps are associated with a 22% reduction in pedestrian injuries but are four times more common in high income neighbourhoods compared to low-income neighbourhoods. Automated speed enforcement is associated with a reduction in speed, particularly cars travelling 85th percentile higher than the posted speed limit. Conclusion This presentation will provide insight into the effectiveness of interventions and the need for better data around pedestrians and cyclists, particularly their exposure to risk. Key messages • Municipalities need data and evidence to make decisions about road safety, including injury surveillance. • There is evidence that some interventions work well to reduce injuries to pedestrians and bicyclists, but there are also gaps in the data needed to make decisions. Topic Vulnerable Road Users, Research Gaps, Surveillance.
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 | 0,016 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,009 | 0,021 |
| Études des sciences et des technologies | 0,010 | 0,002 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».