Feasibility of Screening for Intimate Partner Violence at Orthopedic Trauma Hospitals in India
Notice bibliographique
Résumé
BACKGROUND: Intimate Partner Violence (IPV) involves behavior that causes physical, psychological, or sexual harm, and has significant health consequences. Given the prevalence of and impact of IPV, various organizations recommend routine IPV screening for women by health-care professionals. OBJECTIVE: We investigated the feasibility of screening women for IPV at a hospital in India. Specifically, we assessed prevalence of IPV, method of questionnaire administration, response rate, availability of IPV related community services for referrals, environment of screening, and explored perspectives of health professionals regarding in-hospital screening. STUDY DESIGN: We administered two questionnaires to consenting women; the composite abuse scale (CAS) and Woman Abuse Screening Tool (WAST). Health professionals involved in conducting the study and in managing care for patients were also interviewed. RESULTS: Forty-seven patients were enrolled in the study. The most reported injury was fractures (39% [CI 25%-54%]) and the greatest proportion involved spine and neck (28% [CI 16%-43%]). Prevalence of IPV was 30% [CI 17%-45%] according to the WAST and 40% [CI 26%-56%] according to the CAS. A majority of the participants used self-report as the method of questionnaire administration. Additionally, the self-report group had greater disclosure than the interview-administered group. The environment at this private hospital was considered adequate for screening and we found several IPV support networks in the community. However, health professionals were reluctant to screen for IPV. CONCLUSIONS: Our findings suggest that screening for IPV at an orthopaedic clinic in India is feasible.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».