The Role of SIGN in the Development of a Global Orthopaedic Trauma Database
Notice bibliographique
Résumé
BACKGROUND: The global burden of injury is receiving recognition as a major public health problem but inadequate information delays many proposed solutions. Many attempts to collect reliable data on orthopaedic trauma have been unsuccessful. The Surgical Implant Generation Network (SIGN) database is one of the largest collections of fracture cases from lower and middle income countries. QUESTIONS/PURPOSES: We describe the information in the SIGN database then address two questions: In the context of the design and implementation of a global trauma database, what lessons does the SIGN database teach? Does the SIGN program have a role in the evolution of a wider global system? METHODS: The SIGN database is Internet based. After treating a patient with a SIGN nail surgeons enter radiographs and details of the case. RESULTS: Over 26000 cases are in the SIGN database. The database has been used as a source of cases for followup studies. Analysis shows the data are of sufficient quality to allow studies of fracture patterns but not for outcome studies or bone measurement. WHERE DO WE NEED TO GO?: A global database with more comprehensive coverage of injuries, causes, treatment modalities and outcomes is needed. HOW DO WE GET THERE?: The SIGN database itself will not become a global trauma database (GTD) but the personnel of the SIGN program have much to offer in the design and adoption of a GTD. Studies of suitable methods of data collection and the incentive to use them are required.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».