Prevalence of lost-time claims for mild traumatic brain injury in the working population: Improving estimates using workers compensation databases
Notice bibliographique
Résumé
PRIMARY OBJECTIVE: To test the usefulness of a method to improve the measurement of prevalent mild traumatic brain injury (MTBI) among injured workers with a workers compensation claim. METHODS: Database codes were selected to identify MTBI cases in the Ontario workers compensation lost-time claims database. A random sample of 210 claims was selected, classified as MTBI or not, and used to calculate proportions with MTBI among code groups. The annual prevalence of MTBI in 1997 and 1998 was calculated by weighting the numerators with the appropriate proportions of MTBI within each code group. RESULTS: Four code groups were created: the head region, cranial region, concussion code group and the brain region. The proportion of MTBI in each group was 29%, 19%, 92% and 32%, respectively. The 1997 prevalence depended on the codes used, from 39/10,000 (95% confidence interval (CI): 35-44) for a weighted version of the 'concussion' code to 58/10,000 (95% CI: 50-65) for inclusion of all identified MTBI codes. CONCLUSIONS: Restricting the enumeration of MTBI to specific 'concussion' codes can lead to under-estimation of the prevalence of MTBI in epidemiological studies using workers compensation data. Approximately six out of every 1000 lost-time claims are associated with MTBI. Given lost-time estimates of disability under-estimate the prevalence of this mild injury, MTBI, is an important workplace injury.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».