Development of an injury surveillance system for the Canadian forces
Notice bibliographique
Résumé
Injuries represent a leading cause of morbidity and mortality in the Canadian military. The 2008/2009 Health and Lifestyle Information Survey (HLIS) found that in the preceding 12 months 23% of Canadian Forces (CF) personnel had sustained a repetitive strain injury and 21% an acute injury. These injuries were mainly attributed to physical training/sports/Adventure training. CF occupational fitness requirements necessitate participation in vigorous physical training, sports and military exercises, placing this population at increased risk of non-battle related injury, with adverse implications for operational readiness. The 2008/2009 HLIS found that among CF personnel unable to deploy, 32% identified musculoskeletal injury as the reason. To obtain more detailed information about injury incidence, trends and risk factors required to plan locally-driven prevention activities, an injury surveillance pilot system is being implemented in Canadian Forces Base Valcartier, Quebec. The system is based on the Australian Defence Force and Canadian Hospitals Injury Reporting and Prevention Program (CHIRPP) models where detailed information about injuries is collected at the point of medical contact. This paper presents the challenges in implementing injury surveillance systems in a clinical environment which has geographically dispersed health clinics, non-standardised patient triage processes, high pre-existing workloads and a variety of military stakeholders. Despite these potential barriers, the Canadian Department of National Defence Injury surveillance project team has developed an innovative and promising system for injury data collection, and expects that results from the analysis of the data collection process to be available by autumn 2010.
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 | 0,000 |
| 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 | 0,001 | 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 ».