Measuring inequities in transportation injuries in a Canadian commuter cohort: impacts of individual versus neighbourhood income
Notice bibliographique
Résumé
Abstract Background Low income has been associated with a higher risk of transportation-related injury however, previous studies have largely relied on area-level income, due to the limited availability of individual-level data. Methods To examine the independent and combined roles of individual- and area-level income, this prospective cohort study followed ~ 6,557,000 Canadians from the Canadian Census Health and Environment Cohorts (2006, 2011, 2016), for pedestrian, bicycling, or motor vehicle hospitalizations. Income was measured (1) individually by the low-income cut-off and (2) at the area level using neighbourhood income quintiles. Poisson regression estimated the incidence rate ratios (IRR) and 95% confidence intervals (CI) for transportation-related hospitalizations. Results After adjusting for covariates, low-income individuals had higher risks of hospitalizations for pedestrian (IRR = 1.93, 95%CI (1.62, 2.29)), bicycling (IRR = 1.16, 95%CI (1.01, 1.34)) and motor vehicle injuries (IRR = 1.18, 95%CI (1.06, 1.31)). When both individual and neighbourhood income were assessed together we estimated, that those who lived in the lowest income neighbourhoods (compared to the highest) had a higher risk of pedestrian (IRR = 1.80, 95%CI (1.51, 2.14)) and motor vehicle injury (IRR = 1.33, 95%CI (1.22, 1.42)) but lower risk of bicycling injury (IRR = 0.73, 95%CI (0.65, 0.81)). Conclusions The interaction between individual and neighbourhood income revealed an increased injury risk for low-income individuals in all neighbourhoods, with large inequities in pedestrian and motor vehicle injury risk persisting even in the highest-income neighbourhoods. These findings demonstrate individual income independently contributes to transportation injury risk, underscoring the importance of considering both individual- and area-level income.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».