Epidemiology of child injuries in Uganda: challenges for health policy
Notice bibliographique
Résumé
Globally, 90% of road crash deaths occur in the developing world. Children in Africa bear the major part of this burden, with the highest unintentional injury rates in the world. Our study aims to better understand injury patterns among children living in Kampala, Uganda and provide evidence that injuries are significant in child health. Trauma registry records of injured children seen at Mulago Hospital in Kampala were analysed. Data were collected when patients were seen initially and included patient condition, demographics, clinical variables, cause, severity, as measured by the Kampala trauma score, and location of injury. Outcomes were captured on discharge from the casualty department and at two weeks for admitted patients. From August 2004 to August 2005, 872 injury visits for children <18 years old were recorded. The mean age was 11 years (95% CI 10.9-11.6); 68% (95% CI 65-72%) were males; 64% were treated in casualty and discharged; 35% were admitted. The most common causes were traffic crashes (34%), falls (18%) and violence (15%). Most children (87%) were mildly injured; 1% severely injured. By two weeks, 6% of the patients admitted for injuries had died and, of these morbidities, 16% had severe injuries, 63% had moderate injuries and 21% had mild injuries. We concluded that, in Kampala, children bear a large burden of injury from preventable causes. Deaths in low severity patients highlight the need for improvements in facility based care. Further studies are necessary to capture overall child injury mortality and to measure chronic morbidity owing to sequelae of injuries.
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 | 0,044 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,003 | 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 | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».