Risque de blessures à la tête et au visage chez les cyclistes en relation avec l'ajustement du casque : une étude cas-témoins
Bibliographic record
Abstract
Introduction Nous avons examiné l'effet de l'ajustement et de la position du casque de vélo sur les blessures à la tête et au visage. Méthodologie Les cas étaient ceux de cyclistes portant un casque qui avaient subi des blessures à la tête (n = 297) ou au visage (n = 289). Les témoins étaient des cyclistes portant un casque qui avaient subi d'autres blessures, à l'exception des blessures au cou. Les participants ont été interrogés dans sept services d'urgence de l'Alberta ou par téléphone. Les données sur les blessures ont été recueillies au moyen des dossiers médicaux. Les valeurs manquantes ont été déduites à l'aide d'équations enchaînées et de modèles personnalisés d'imputation par prédiction. Résultats Comparativement aux sujets dont l'ajustement du casque était excellent, ceux dont l'ajustement était mauvais affichaient un plus grand risque de blessures à la tête (rapport de cotes [RC] = 3,38, intervalle de confiance [IC] à 95 % : 1,06 à 10,74). Comparativement aux sujets dont le casque était demeuré bien centré, ceux dont le casque s'était incliné vers l'arrière (RC = 2,90, IC à 95 % : 1,54 à 5,47) ou s'était déplacé (RC = 1,91, IC à 95 % : 1,01 à 3,63) et ceux qui avaient perdu leur casque (RC = 6,72, IC à 95 % : 2,86 à 15,82) présentaient un plus grand risque de blessures à la tête. Un casque qui s'était incliné vers l'arrière (RC = 4,81, IC à 95 % : 2,74 à 8,46), s'était déplacé (RC = 1,83, IC à 95 % : 1,04 à 3,19) ou avait été perdu (RC = 3,31, IC à 95 % : 1,24 à 8,85) augmentait aussi le risque de blessures au visage. Conclusion Nos observations ont des retombées sur les consommateurs et les programmes d'éducation des détaillants.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 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".