Probability of multiple fractures in childhood
Notice bibliographique
Résumé
Background Fractures are common in childhood and yet little data exists on the probability of experiencing multiple fractures during childhood. Such data are important because multiple childhood fractures may indicate a correctable condition in the host child. An example of such a condition would be compromised bone health, due to genetic potential and/or vitamin D insufficiency in the diet. This would have important implications for prevention. Our objective was to empirically determine fracture risk and the cumulative risk of multiple fractures by year of age during childhood. Methods We obtained population based age incidence counts of all fractures from the Ambulatory Care Reporting System in the province of Ontario, Canada for boys and for girls from ages 0 through 15. We used the counts to estimate age specific fracture probabilities. Using combinatoric methods we calculated the probabilities of having zero, one, two, or three or more fractures at each age between 0 and 15. Results By the age of 15, 72.6% of children should have no fractures; 23.5% one fracture, 3.5% two fractures and 0.34% should have three or more fractures. Age specific probabilities for all years are in the paper. Conclusion If fractures were distributed at random in the population, very few children (under 0.34%) would be expected to have three or more fractures. Three fractures in childhood, or two before the age of 6, may be a threshold at which host factors can be sought in the child or family to inform the prevention of future fractures.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».