Injuries in people with self‐reported epilepsy: A population‐based study
Notice bibliographique
Résumé
PURPOSE: To identify the prevalence of injuries in people with epilepsy (PWE) in the general population. METHOD: We examined the prevalence of injuries obtained through the previously validated, door-to-door Canadian Community Health Survey (CHS) (n = 130,882). The 12-month weighted prevalence of injuries serious enough to limit normal activities was calculated for people with epilepsy and for the general population. Among those reporting injuries, variables of interest were compared in PWE and in the general population using risk ratios (RR) and their 95% confidence intervals (CI(95)). RESULTS: The 12-month weighted prevalence of injuries was not different in PWE (14.9%) and in the general population (13.3%) (RR: 1.1, CI(95): 0.90-1.3). Among individuals reporting injuries, the only significant differences were a lower frequency of sports-related injuries in PWE (RR: 0.7, CI(95): 0.4-0.9), and a three-times higher frequency of hospitalization following injuries in PWE (RR: 3.0, CI(95): 1.3-4.7). Orthopedic injuries were the most frequent type of injury in both groups, but the differences were not significant. Although there were some trends, no significant differences between PWE and the general population were seen with regard to place where injury occurred, mechanism of injury, and number of injuries. CONCLUSIONS: The overall rate of injuries limiting activities did not differ between PWE and the general population. There was a higher rate of injury-related hospital admission in PWE, which could reflect that hospitalization is related to seizures and to comorbidities, and not injuries alone, or a more cautious attitude of clinicians towards injuries in PWE.
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) | 0,000 | 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 ».