Substance use in paediatric trauma: setting the stage for an injury prevention programme
Notice bibliographique
Résumé
Injury prevention initiatives provide education to increase awareness of high-risk behaviours and teach strategies to prevent injury. To be successful, these initiatives must identify at risk populations and understand how factors interact and lead to injury. Substance use is an injury risk factor, however, research is lacking in the paediatric population. This study was undertaken to describe trends in substance use and screening in the paediatric trauma population. A review of the London Health Sciences Centre (LHSC) Trauma Database (1999–2009) was conducted to identify patients <18 years who suffered severe injury (ISS >11). A total of 799 patients met inclusion criteria. Blood alcohol concentration (BAC) testing was completed in 30% of patients of whom 21% were positive. Toxicology screens were done in 7% of patients, of whom 44% were positive. Increasing age was associated with screening for alcohol; while, screening for drug use had a bimodal distribution with no children ages 4–10 tested. Those screened for drugs and alcohol had significantly higher ISS than those not tested (BAC 28 vs 23, p<0.001, toxin screening 29 vs 24, p=0.003). The most common drugs ingested were alcohol, benzodiazepines, cannabioids and opiates. Screening for substance use is sporadic in the paediatric trauma population at LHSC providing incomplete data on its true prevalence and impact. This lack of understanding limits our ability to create effective, age-appropriate injury prevention programmes. A prospective study utilising universal screening is needed to further delineate the true impact of substance use in this young population.
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 | 0,005 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».