Écart entre milieu rural et milieu urbain : différences dans les caractéristiques des blessures
Bibliographic record
Abstract
Contexte Les blessures se classent parmi les dix principales causes de décès au Canada. Cependant, les types et les taux de blessures varient en fonction du type de milieu, rural ou urbain. Les taux de blessures augmentent avec la ruralité, particulièrement les blessures liées à des collisions de véhicules motorisés. Le type de travail, un environnement dangereux et de longues distances à parcourir sont des facteurs qui contribuent aux différences entre les taux de blessures en milieu rural et ceux en milieu urbain. Il faut approfondir les analyses des blessures en fonction du type de milieu (rural‑urbain), en particulier en ce qui concerne la nature et la gravité des blessures. Méthodologie La population à l’étude provient des données de 2011 à juillet 2017 de la base électronique du Système canadien hospitalier d’information et de recherche en prévention des traumatismes (eSCHIRPT). Le type de milieu (rural ou urbain) a été déterminé à partir du code postal de Postes Canada. On a calcué les rapports proportionnels des blessures (RPB) afin de comparer les taux de blessures en milieu rural et ceux en milieu urbain en fonction de la nature et de la gravité des blessures ainsi que du sexe et de plusieurs autres facteurs. Résultats En milieu rural, les cas de blessures étaient plus susceptibles d’être des blessures multiples (RPB = 1,66 pour 3 blessures) et des lésions par écrasement (RPB = 1,72). On a relevé des RPB un peu moins élevés en ce qui concerne les morsures d’animaux (1,14), les brûlures (1,22), les lésions oculaires (1,32), les fractures (1,20) et les blessures aux muscles ou aux tissus mous (1,11). Par comparaison avec celles survenues en milieu urbain, les blessures survenues en milieu rural étaient plus graves, davantage susceptibles d’entraîner une hospitalisation (1,97) et d’être attribuables à une collision impliquant un ou plusieurs véhicules motorisés (2,12). Conclusion La nature des blessures survenues en milieu rural diffère de la nature des blessures survenues en milieu urbain. Il faudrait réviser les programmes en vigueur en matière de prévention des blessures en milieu rural afin de combler l’écart dans les taux de blessures entre les deux milieux.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".