Caractéristiques des traumatismes causés par l’utilisation à l’extérieur d’une trottinette motorisée : analyse des données de la plate-forme électronique du Système canadien hospitalier d’information et de recherche en prévention des traumatismes (eSCHIRPT)
Bibliographic record
Abstract
Introduction L’utilisation des trottinettes motorisées gagne en popularité au Canada comme ailleurs. Cette étude vise à résumer les caractéristiques des traumatismes liés à l’utilisation des trottinettes motorisées selon les données de la plate-forme électroniquedu Syst ème canadien hospitalier d’information et de recherche en prévention des traumatismes (eSCHIRPT) et à en analyser les tendances. L’eSCHIRPT recueille des renseignements sur l’événement ayant entraîné le traumatisme et des données cliniques sur le traitement (la partie du corps touchée, la nature et l’intentionnalité du traumatisme ainsi que le traitement administré) auprès de 11 hôpitaux pédiatriques et de 9 hôpitaux généraux du Canada. Résultats Une recherche en texte libre à l’aide de mots-clés a permis de relever 523 cas de traumatismes liés à l’utilisation d’une trottinette motorisée entre janvier 2012 et décembre 2019. La plupart des traumatismes signalés concernaient des hommes (62,7 %). Le traumatisme le plus fréquent était une fracture ou une luxation (36,9 %) et 14,3 % de l’ensemble des patients ont été admis à l’hôpital. Une régression Joinpoint a montré une augmentation statistiquement significative des traumatismes liés à l’utilisation d’une trottinette motorisée entre 2012 et 2017 (variation annuelle de 18,4 %). Conclusion Les résultats de notre étude indiquent qu’il faut poursuivre les efforts de prévention et améliorer les messages éducatifs sur la conduite sécuritaire et l’importance de l’utilisation d’un équipement de protection pour prévenir les traumatismes chez les utilisateurs.
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 | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".