Epidemiology of injuries presenting to the national hospital in Kampala, Uganda: implications for research and policy
Notice bibliographique
Résumé
BACKGROUND: Despite the growing burden of injuries in LMICs, there are still limited primary epidemiologic data to guide health policy and health system development. Understanding the epidemiology of injury in developing countries can help identify risk factors for injury and target interventions for prevention and treatment to decrease disability and mortality. AIM: To estimate the epidemiology of the injury seen in patients presenting to the government hospital in Kampala, the capital city of Uganda. METHODS: A secondary analysis of a prospectively collected database collected by the Injury Control Centre-Uganda at the Mulago National Referral Hospital, Kampala, Uganda, 2004-2005. RESULTS: From 1 August 2004 to 12 August 2005, a total of 3,750 injury-related visits were recorded; a final sample of 3,481 records were analyzed. The majority of patients (62%) were treated in the casualty department and then discharged; 38% were admitted. Road traffic injuries (RTIs) were the most common causes of injury for all age groups in this sample, except for those under 5 years old, and accounted for 49% of total injuries. RTIs were also the most common cause of mortality in trauma patients. Within traffic injuries, more passengers (44%) and pedestrians (30%) were injured than drivers (27%). Other causes of trauma included blunt/penetrating injuries (25% of injuries) and falls (10%). Less than 5% of all patients arriving to the emergency department for injuries arrived by ambulance. CONCLUSIONS: Road traffic injuries are by far the largest cause of both morbidity and mortality in Kampala. They are the most common cause of injury for all ages, except those younger than 5, and school-aged children comprise a large proportion of victims from these incidents. The integration of injury control programs with ongoing health initiatives is an urgent priority for health and development.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».