بررسی پیشگویی‌کننده‌های مصدومیت منجر به بستری موتورسواران در یک مطالعه مورد- شاهدی: مدل‌سازی معادلات ساختاری مبتنی بر کمترین مربعات

مقدمه و اهداف: مدل‌سازی رابطه پیامد با عوامل خطر، به‌صورت بهینه‌ای با رویکرد plssem انجام می‌شود. در این مدل‌سازی، خطای اندازه‌گیری و متغیرهای پنهان را می‌توان حتی در حجم نمونه کم لحاظ کرد. هدف مطالعه حاضر، تعیین پیشگویی‌کننده‌های مصدومیت منجر به بستری موتورسواران با در نظر گرفتن نقش میانجیگری متغیر رفتار حرکتی موتورسواری در یک مطالعه مورد شاهدی با استفاده از plssem بود.روش کار: در مطالعه مورد شاهدی حاضر، تعداد 300 مورد و 156 شاهد بر اساس نمونه‌گیری تصادفی خوشه‌ای انتخاب شدند. با استفاده از پرسشنامه، متغیرهای رفتار حرکتی موتورسواران، بیش‌فعالی بزرگسالان غربالگری کانرز و زیرمقیاس‌های آن و همچنین متغیرهای مرتبط با راندن موتورسیکلت (نظیر داشتن کلاه ایمنی) ارزیابی شد.یافته‌ها: بین متغیر پیامد مصدومیت با بیش‌فعالی بزرگسالان(b= 0.20, p < 0.001) و رفتار موتورسواران(b= 0.33, p<0.001)، رابطه مستقیم و معنی‌داری مشاهده شد ولی بین پیامد مصدومیت با متغیرهای مشخصات جمعیت شناختی و رفتارهای حرکتی موتورسواران رابطه معنی‌داری مشاهده نشد (p> 0.05). همچنین بین بیش‌فعالی با رفتار حرکتی موتورسواران (b= 0.51, p< 0.001) و رفتار موتورسواران با رفتارهای حرکتی موتورسواران(b= 0.52, p< 0.001) و نیز بیش‌فعالی با رفتار موتورسواران(b= 0.39, p< 0.001) رابطه مستقیم و معنی‌داری مشاهده شد.نتیجه‌گیری: بر مبنای نتایج به‌دست‌آمده از plssem، برنامه‌های مداخله‌ای جهت کاهش مصدومیت بر اساس متغیرهای بیش‌فعالی، رفتار موتورسواران و رفتارهای حرکتی موتورسواران توصیه می‌شود.

Assessing PLS-SEM Model for the Predictors of Injuries Resulting in Hospitalization in Motorcyclists: A Case-Control Study

Background and Objectives: The aim of this study was to determine the predictability of the PLSSEM model for injuries resulting in hospitalization in motorcyclists using a mediator variable in a casecontrol study. Methods: In this casecontrol study, 300 cases and 156 controls were randomly selected from 150 clusters using random cluster sampling. The data were collected using the motorcycle riding behavior (MRB) questionnaire, adult attention deficit hyperactivity disorder (ADHD) questionnaire (subscales) and a checklist containing motorcycle related variables. Results: The motorcycle riding behavior, adult ADHD, motorcycling related variables and some demographic variables were found to be the predictors of injury. There were significant positive relationships between injury and motorcycling related variables (B=0.20, P=0.001) and ADHD (B=0.33, P=0.001), between MRB and motorcycling related variables (B=0.51, P=0.001) and ADHD (B=0.52, P=0.001), and between ADHD and motorcycling related variables (B=0.39, P=0.001). Conclusion: Considering the more accurate results of PLSSEM, the intervention programs should especially address those who have hyperactive children, those who use the cellphone while riding, and those who ride in dark hours of the night.