La mortalité par blessure non intentionnelle et ses causes externes au Canada entre 2001 et 2007
Bibliographic record
Abstract
Introduction Une bonne compréhension des caractéristiques et des tendances temporelles de la mortalité par blessure non intentionnelle est cruciale pour l'élaboration de stratégies de prévention. Méthodologie Nous avons analysé les statistiques de l'état civil au Canada (à l'exclusion du Québec) entre 2001 et 2007. Les taux de mortalité ont été normalisés selon l'âge et le sexe par rapport à la population canadienne de 2001. Un modèle autorégressif a été utilisé pour l'analyse de séries chronologiques. Résultats Le taux global de mortalité a diminué régulièrement, alors que le taux de mortalité par blessure non intentionnelle est resté stable durant la période étudiée. Les taux les plus élevés ont été observés dans les trois territoires. Les décès par blessure non intentionnelle étaient moins fréquents chez les enfants que chez les jeunes ou les adultes. Après 60 ans, la mortalité augmentait de façon soutenue avec l'âge. Les hommes étaient plus nombreux à décéder des suites d'une blessure non intentionnelle, et le ratio hommes-femmes culminait dans le groupe d'âge des 25 à 29 ans. Les collisions de véhicules à moteur, les chutes et les empoisonnements étaient les trois causes principales. On a observé une augmentation constante et marquée de la mortalité attribuable aux chutes. Les décès attribuables aux collisions de véhicules à moteur et aux noyades étaient plus fréquents durant les mois d'été, tandis que ceux causés par les chutes et les brûlures étaient plus fréquents durant les mois d'hiver. Conclusion La part des blessures non intentionnelles dans l'ensemble des causes de décès et la mortalité attribuable aux chutes ont augmenté au Canada entre 2001 et 2007.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".