Les confinements et les blessures à vélo : une analyse temporelle des taux de blessures au Québec au cours de la première année de la pandémie
Bibliographic record
Abstract
Introduction Le vélo a gagné en popularité au cours de la pandémie de COVID-19, sans que l’on connaisse l’impact de cette situation sur les blessures chez les cyclistes. Nous avons étudié l’effet des confinements sur les hospitalisations associées à des blessures à vélo. Méthodologie Nous avons relevé les cas d’hospitalisation pour blessure à vélo au Québec (Canada) entre avril 2006 et mars 2021. Nous avons utilisé des rapports de taux (RT) et des intervalles de confiance (IC) à 95 % pour comparer les taux d’hospitalisation par type de blessure subie à vélo et par site anatomique au cours de deux vagues de la pandémie. Nous avons appliqué un modèle de régression de type séries chronologiques interrompues afin d’évaluer l’effet des confinements sur les taux mensuels d’hospitalisation associés aux blessures à vélo, en fonction de l’âge, du sexe et d’autres caractéristiques. Résultats Il y a eu 2 020 hospitalisations pour blessure à vélo entre mars 2020 et mars 2021, dont 617 pendant le premier confinement et 67 pendant le deuxième confinement. Par rapport à la période prépandémique, la plus grande augmentation du risque de blessures liées aux déplacements à vélo pendant le premier confinement a concerné les fractures (RT = 1,44; IC à 95 % : 1,26 à 1,64) et les lésions traumatiques à la tête et au cou (RT = 1,59; IC à 95 % : 1,19 à 2,12). Lors de chaque mois durant le premier confinement, les taux d’hospitalisation pour blessure à vélo ont été considérablement plus élevés qu’en période prépandémique chez les adultes, les adolescents et les personnes vivant dans des quartiers favorisés sur le plan socio-économique ainsi que dans des quartiers à faible densité de population dite racisée. Aucune association avec les blessures à vélo n’a été constatée lors du deuxième confinement. Conclusion Le premier confinement a déclenché une augmentation marquée des hospitalisations pour blessures à vélo, en particulier chez les adultes, les adolescents et les personnes vivant dans des quartiers plus favorisés sur le plan socio-économique et à plus faible densité de population dite racisée.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".