A population‐based, incidence cohort study of mid‐back pain after traffic collisions: Factors associated with global recovery
Notice bibliographique
Résumé
BACKGROUND: Traffic collisions often result in a wide range of symptoms included in the umbrella term whiplash-associated disorders. Mid-back pain (MBP) is one of these symptoms. The incidence and prognosis of different traffic injuries and their related conditions (e.g. neck pain, low back pain, depression or others) has been investigated previously; however, knowledge about traffic collision-related MBP is lacking. The study objectives were to describe the incidence, course of recovery and prognosis of MBP after traffic collisions, in terms of global self-reported recovery. METHODS: Longitudinal data from a population-based inception cohort of all traffic injuries occurring in Saskatchewan, Canada, during a 2-year period were used. Annual overall and age-sex-specific incidence rates were calculated, the course of recovery was described using the Kaplan-Meier technique, and associations between participant characteristics and time-to-self-reported recovery were explored in 3496 MBP cases using Cox proportional hazards models. RESULTS: The yearly incidence rate was 236 per 100,000 population during the study period, and was highest in women and in young persons. The median time-to-first reported recovery was 101 days (95% CI: 99-104) and about 23% were still not recovered after 1 year. Participant's expectation for recovery, general health, extent of severely affecting comorbidities and having experienced a previous traffic injury were some of the prognostic factors identified. CONCLUSIONS: These findings show that MBP is common after traffic collisions, may result in a long recovery process and that a range of biopsychosocial factors are associated with recovery.
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 | 0,013 | 0,007 |
| 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 ».