Initial Patterns of Clinical Care and Recovery From Whiplash Injuries
Notice bibliographique
Résumé
BACKGROUND: Little is known about the most effective pattern of clinical care for acute whiplash. We designed a cohort study to determine whether patterns of early clinical care (involving visits to general practitioners, chiropractors, or specialists) were associated with different rates of recovery. METHODS: We studied 2486 Saskatchewan adults with whiplash injuries. We defined 8 initial patterns of care that integrated type of provider and number of visits. We used multivariable Cox models to estimate the association between patterns of care and time to recovery while controlling for injury severity and other confounders. RESULTS: There was an independent association between the type and intensity of initial clinical care and time to recovery. We found that patients in the low-utilization general practitioner group had the fastest recovery, even after controlling for injury severity and other confounders. Compared with this group, the high-utilization general practitioner group experienced a 1-year rate of recovery that was 27% slower (adjusted hazard rate ratio [HRR], 0.73; 95% confidence interval [CI], 0.61-0.87); for the high-utilization chiropractic group it was 39% slower (HRR, 0.61; 95% CI, 0.46-0.81); for the high-utilization general practitioner plus chiropractic combined group it was 28% slower (HRR, 0.72; 95% CI, 0.57-0.91); and for those who consulted general practitioners and specialists, it was 31% slower (HRR, 0.69; 95% CI, 0.55-0.87). CONCLUSIONS: The type and intensity of clinical care initiated within the first month after the injury is associated with the rate of recovery from whiplash injuries. Our study does not support the hypothesis that early aggressive care promotes faster 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».