Injury and spatial epidemiology of severe adult trauma: implications for prevention
Notice bibliographique
Résumé
Background Identifying who is injured within a geographic region, by what mechanism, is essential for injury prevention (IP). Our objective was to define the injury and spatial epidemiology of severe adult traumas to prioritise and target initiatives. Methods Epidemiologic profiles were generated for severely injured (ISS>12) adult (≥18 years) patients treated at Lead Trauma Hospitals (LTH) in Southwestern Ontario, 2004–2009. Sub-analysis was undertaken by age groups (18–24; 25–64; 65+ years). Injury cases were mapped by patient residence and place of injury to examine spatial relationships. Results LTHs resuscitated 2804 severely injured adults (15% young adult, 55% adult, 30% senior; 72% male). Patient residences were dispersed throughout SWO, with clusters in cities and lower-income areas. MVCs accounted for 61% and 46% of injuries among young adults and adults, respectively. Only 60% of injured-occupants wore a seatbelt; 24% of drivers had a BAC above the legal limit. MVCs were overly concentrated on high-density urban areas with highly mixed land uses. Alcohol was involved with nearly one-third of non-senior severe injury (48% of assaults; 34% of crashes). Falls were the leading injury mechanism for seniors (68%); 67% occurred at home. Only 6% of patients were injured at work, half involved falls. Mortality was 15%, with 42% fall-related deaths. Conclusion Integrating injury epidemiology with geographic data on patients daily surroundings allowed for the identification of socio-spatial variations in injury patterns among vulnerable groups. This approach identified MVCs, falls and alcohol use as IP priorities to be targeted to the populations and regions of greatest need.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».