Risk Factors for Persistent Problems Following Whiplash Injury: Results of a Systematic Review and Meta-analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
STUDY DESIGN: Systematic review and meta-analysis. BACKGROUND: Whiplash-associated disorder (WAD) is the most common reported injury following motor vehicle accident. Evidence for prognosis and intervention are difficult to interpret due to differences in inception times, outcomes used, and sample heterogeneity. METHODS: An extensive literature search was conducted to identify published studies of prognosis following whiplash. Rigorous inclusion criteria were applied to allow for meaningful results to be drawn. Data were extracted, transformed where necessary, and pooled to allow estimation of the odds ratio for any factor with at least 3 data points in the literature. RESULTS: From 11 cohorts (n = 3193), 25 factors were identified with at least 3 data points in the existing literature. Of these, 9 were found to be significant predictors based on the odds ratio and confidence limits: no postsecondary education, female gender, history of previous neck pain,baseline neck pain intensity greater than 55/100, presence of neck pain at baseline, presence of headache at baseline, catastrophizing, WAD grade 2 or 3, and no seat belt in use at time of collision. Neck pain intensity, WAD grade, headache, and no postsecondary education were robust to publication bias. CONCLUSIONS: Using a rigorous process for the identification and extraction of data from a homogenous subset of the prognostic WAD literature, we were able to identify several factors for which information is easy to collect clinically and could provide clinicians with a good sense of prognosis following whiplash injury.
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,013 |
| 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) | 0,000 | 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 découle