Effect of Population Characteristics on Head Injury Mortality
Notice bibliographique
Résumé
We have analyzed predictors of mortality following closed head injury in a series of 1,031 consecutive patients with closed head injury admitted to hospital from January 1986 through December 1990. All patients were treated in a uniform manner and surgical intervention was performed as soon as possible in patients with intracranial mass lesions. Logistic analysis was used to identify patient and injury characteristics that were independent predictors of mortality within this patient group. Significant predictors were Glasgow Coma Score at admission (p = 0.0000), age (p = 0.0000), bilaterally unreactive pupils (p = 0.0000), presence of multiple systemic injuries (p = 0.0004), presence of an intracranial mass lesion (p = 0.0006), and presence of unilateral pupillary abnormalities (p = 0.0279). In an attempt to clarify the relationship between the incidence of these characteristics in series of severely head-injured patients reported during the last 2 decades and the mortality reported in those series, regression analysis was carried out comparing the mean age reported in the series, incidence of mass lesions, and reported mortality. Sixty-four percent of the variability in reported mortality rates could be accounted for by differences in mean age of the patients and mass lesion incidence (p = 0.0035). We conclude that apparent improvements in head injury mortality in the last 2 decades may be partly or wholly due to different population characteristics in the reported series. Multiple injuries appear to be important contributors to patient mortality, and in the interest of improved description of head injury populations, the Injury Severity Score should be reported with age, mass lesion incidence, and Glasgow Coma Score.
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 | 0,001 | 0,001 |
| 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 ».