Injury registration in a developing country. A study based on patients\' records from four hospitals in Dar es Salaam, Tanzania
Notice bibliographique
Résumé
BACKGROUND: A recent study conducted in some parts of Tanzania has revealed that injuries rank as the third major leading cause of death among the adult population only after tuberculosis and HIV/AIDS. Critical to any injury prevention activities is a reliable surveillance system. Such a system may for instance be based on hospital registration of injuries. OBJECTIVES: The aim of this study was to evaluate available hospital records for the purpose of describing the epidemiology of injuries among inpatients in four hospitals in Dar es Salaam, Tanzania. METHODS: The study utilized patients' medical records for the year 1998. The final sample included 1098 cases from four hospitals. Data handling and analysis was performed using statistical software SPSS for windows version 10.0. Cross tabulations with Chi-square testing for independence, t-test for difference between means (independent groups) and one way analysis of variance was used. RESULTS: The age group 21 to 30 years formed the largest proportion of injury-related admissions. The male to female ratio was 2.3 to 1. The largest categories of injuries were road traffic injuries (43.7%), violence and assaults (23.5%), and falls (13.8%). Burns accounted for 6.5% of the cases. The following variables were routinely recorded in case notes: gender (100%), nature of injury/principal diagnosis (99.6%), body part injured (99.4%), and age (96.4%). CONCLUSIONS: There is a need for improving the way injuries are recorded in hospitals. Hospitals' records could provide a useful tool for monitoring injury preventive activities in developing countries like Tanzania.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».