Moving from evidence to action: prioritisation of pediatric injury issues for focused injury prevention programming
Notice bibliographique
Résumé
Objective To develop a prioritised, evidence-informed list of pediatric injury issues to be addressed through injury prevention initiatives. Method A quantitative review of trauma data with qualitative stakeholder discussions. Data representing all levels of severity from ED visits to deaths were reviewed and ranked by age (<1, 1–4 years, 5–9 years, 10–14 years, 15–17 years). Specific topics for each of the top issues (MVC, recreational, falls, intentional, drowning and other) were discussed based on qualitative criteria (ie, effectiveness, opportunity gaps) and individually scored on a 5-point Likert scale. The sum of these scores was ranked. This qualitative rank was added with the quantitative rank from the data to determine the overall ranking, with the lowest rank sum as the top priority. Results Shaken baby syndrome (SBS) was ranked as the top priority. The top five ranking injury issues are presented in Table 1. Overall Rank Topic Age group (year) Quant Rank + Qual Rank = Rank Sum 1 SBS <1 2 1 3 2 Bullying 5–17 yrs 3 2 5 2 Drugs & Driving 15–17 1 4 5 2 MVC & Speeding 15–17 1 4 5 5 Suicide 10–17 4 3 7 Other issues included ATV safety, playground and farm injuries. Conclusion With competing demands and limited resources, this method utilises data and stakeholder input to decide where to focus efforts. It allowed us to move from evidence to action, by implementing and evaluating new programs including SBS-prevention and unsafe driving programs.
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 | 0,003 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».