Indicators of injury burden: Which types are the most important?
Notice bibliographique
Résumé
Injury indicators are used for monitoring the impact of injury prevention initiatives on the population burden of injury. The object of the present study was to identify the types of injury responsible for the major component of the population health burden of injury in a large cohort in Manitoba, Canada. Injury cases (ICD-9-CM 800-995) aged 18-64 years were identified from all Manitoba hospital data between 1988 and 1991. Morbidity data were obtained from hospital discharge abstracts 12 months prior to date of injury and for 12 months post-injury. Outcomes for individuals were calculated as the difference pre- and post-injury in hospital inpatient days. Death outcomes in the 12 months post-injury were obtained by linking the cohort with the population registry. Summed outcomes across the population were stratified into injury types based on the International Code of Diseases (ICD) code of the index injury. Outcomes were also stratified by injury severity score categories where the injury severity score was obtained using ICDMAP-90. When ranked by contribution to the cohort's cumulative hospital inpatient days in the 12 months post-injury, the six most common ICD subchapter groups accounted for 65% of the total inpatient days. These six injury types also accounted for 62% of the total number of deaths in this cohort in 12 months after injury. The suggested injury types to use as indicators of burden include fracture of the lower limb, fracture of the head and neck, poisonings, intracranial injury, fracture of the upper limb, and fracture of skull.
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) | 0,000 | 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 ».