Prehospital transport of patients with spinal cord injury in Nigeria
Notice bibliographique
Résumé
BACKGROUND: A well-organized and efficient prehospital transport is associated with improved outcome in trauma patients. In Nigeria, there is paucity of information on prehospital transport of patients with spinal cord injury (SCI) and its relation to mortality. OBJECTIVE: To determine if prehospital transportation is a predictor of mortality in patients with SCI in Nigeria. DESIGN: Prospective cohort study METHODS: Prehospital transport related conditions, injury arrival intervals and persons that brought patients with SCI to the casualty were noted. Data analyzed using descriptive statistics, the chi-square test and multiple logistic regressions. MAIN OUTCOME MEASURES: Mortality within 6 weeks on admission RESULTS: 168 patients with SCI presented in the casualty during this review period. Majority (67.9%) presented after 24 hrs of the injury. Majority (58.3%) were conveyed into the casualty by their relatives. Salon car (54.2%) was the most common mode of transportation where majority (55.4%) laid on their back during the transfer. Majority (75%) of the patients had multiple hospital presentation before reporting in our casualty. The mortality observed was 16.7%. Multivariate analysis after adjusting for age, gender, and means of transportation revealed that age (OR= 63.41, 95% CI= 9.24-43.53), crouched position during transfer (OR= 23.52, 95% CI= 7.26-74.53), presentation after 24 hrs (OR=5.48, 95% CI=3.20-16.42) and multiple hospital presentation (OR= 7.94, 95% CI= 1.89-33.43) were associated with mortality within 6 weeks of admission. CONCLUSION: A well-organized and efficient prehospital transport would reduce mortality in spinal cord injured patients. Public enlightenment campaign on factors that could reduce road traffic injury would help reduce mortality.
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 | 0,000 |
| 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 ».