Knowledge of paediatric concussion among front-line primary care providers
Notice bibliographique
Résumé
OBJECTIVE: To assess the knowledge of paediatric concussion diagnosis and management among front-line primary care providers. METHODS: Experts from the Concussions Ontario Diagnosis and Early Education Working Group developed a 34-item survey incorporating case vignettes with the collaboration of experts in medical education. Electronic surveys were distributed via FluidSurveys using a modified version of Dillman's tailored design method. The survey was distributed to five Ontario professional associations. The target participants were front-line health care providers (family physicians, emergency medicine physicians, general paediatricians, nurse practitioners and physician assistants) in Ontario; only providers who diagnose and/or manage paediatric concussions were eligible to participate. RESULTS: The survey was fully completed by 577 health care providers who treat paediatric concussion. Of the respondents, 78% (95% CI 74% to 81%) reported diagnosing ≥5 concussions annually. Physicians and nonphysicians equally recognized concussion (90% [95% CI 86% to 92%]; 85% [95% CI 77% to 90%], respectively). Only 37% (95% CI 32% to 41%) of physicians correctly applied graduated return to play guidelines. Return to learn recommendations were also insufficient: 53% (95% CI 49% to 58%) neglected to recommend school absence and 40% (95% CI (35% to 44%) did not recommend schoolwork accommodations. Only 26% (95% CI 22% to 30%) of physicians reported regular use of concussion scoring scales. CONCLUSIONS: Considerable gaps in knowledge exist in front-line primary care providers with inadequate application of graduated return to play and return to learn following concussion, as demonstrated by the present broad population-based survey. Consistent application of best evidence-based management using comprehensive guidelines may help to reduce the impact of concussion and persistent postconcussive problems in children and adolescents.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».