National, Regional, and State Abusive Head Trauma: Application of the CDC Algorithm
Notice bibliographique
Résumé
OBJECTIVE: To examine national, regional, and state abusive head trauma (AHT) trends using child hospital discharge data by applying a new coding algorithm developed by the Centers for Disease Control and Prevention (CDC). METHODS: Data from 4 waves of the Kids' Inpatient Database and annual discharge data from North Carolina were used to determine trends in AHT incidence among children <1 year of age between 2000 and 2009. National, regional, and state incidence rates were calculated. Poisson regression analyses were used to examine national, regional, and state AHT trends. RESULTS: The CDC narrow and broad algorithms identified 5437 and 6317 cases, respectively, in the 4 years of KID weighted data. This yielded average annual incidences of 33.4 and 38.8 cases per 100,000 children <1 year of age. There was no statistically significant change in national rates. There were variations by region of the country, with significantly different trends in the Midwest and West. State data for North Carolina showed wide annual variation in rates, with no significant trend. CONCLUSIONS: The new coding algorithm resulted in the highest AHT rates reported to date. At the same time, we found large but statistically insignificant annual variations in AHT rates in 1 large state. This suggests that caution should be used in interpreting AHT trends and attributing changes in rates as being caused by changes in policies, programs, or the economy.
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 | 0,010 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».