How well do anatomical-based injury severity scores predict health service use in the 12 months after injury?
Notice bibliographique
Résumé
There is an acknowledged need for valid and reliable injury scores, suitable for use at the population level, which can accurately predict the long-term outcome of injury. The objective was to quantify the extent to which the abbreviated injury severity score (AIS) and the functional capacity index score (FCI) predict use of health services in the 12 months following an injury event. A cohort of injured people (ICD-9-CM 800-995) aged 18 - 64 years was identified from Manitoba hospital discharge abstracts from January 1988 to December 1991. For each member of the cohort whose injuries could be mapped to an abbreviated injury scale unique identifier, a maximum AIS (maxAIS) and a maximum FCI (maxFCI) were obtained. The cohort was linked with hospital discharge abstracts, physicians' claims and deaths from the population registry for the 12 months following injury. Negative binomial regression was used to model the relationships between the severity scores and the three outcome measures, while controlling for potential confounding variables. In total, 20 677 (97%) eligible cases were identified, of which 16 834 (81%) could be assigned a maxAIS and 15 823 (77%) a maxFCI. MaxAIS and maxFCI were significantly associated with total days in hospital following injury, but explained little of the variation in any of the health service use outcome variables (maxAIS, partial pseudo r2 ranging from < 0.001 to 0.041; and maxFCI, partial pseudo r2 ranging from < 0.001 to 0.018). It was concluded that anatomical damage is only partly responsible for long-term injury outcome. Additional variables would need to be included in predictive models of health outcomes of injury before these models could be reliable.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».