Notice bibliographique
Résumé
Background A cornerstone of surveillance is the timely dissemination of information to those needing to know. However, injury data is often noisy and the qualitative assessment of trends can be problematic making the dissemination of information difficult. A quantitative method is needed to objectively characterise injury trends. Aims/Objectives/Purpose This study evaluated the applicability of JoinPoint software developed for cancer research to injury data collected by the Canadian Hospitals Injury Reporting and Prevention Programme (CHIRPP). Specifically, JoinPoint regression was used to quantify trends and identify important inflection points (ie, elbows) in a test-dataset. Methods The test-dataset consisted of all hockey-related brain injuries reported to CHIRPP between 1990 and 2009. Hockey injuries were chosen because the general temporal pattern is well known, which would facilitate evaluation of the method. JoinPoint statistical software was used to quantify injury trends across calendar months. Statistical significance of inflection points was tested using Monte Carlo permutation methods. Results/Outcomes Between 1990 and 2009, there were 5868 hockey related brain injuries reported to CHIRPP. Given that hockey is a winter sport, 71% of the cases were reported between the winter months. The elbows (inflection points) were found in August where the number of cases began to rise until peaked in November. The average annual percent change of 51% was significantly different from zero at α=0.05. Significance/Contribution to the Field From the methodological perspective, we demonstrated the utility of JoinPoint regression to CHIRPP data on hockey-related brain injuries. Surveillance information extracted using JoinPoint could be used in evidence-based policy and prevention efforts.
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 | 0,000 |
| 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 | 0,000 |
| 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) | 0,001 | 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 ».