Childhood injury surveillance in a Nigerian teaching hospital
Notice bibliographique
Résumé
Background Information on childhood injury in Nigeria is scanty. There is a need to establish and strengthen childhood injury monitoring and reporting as a useful tool for childhood injury control. Aims/Objectives/Purpose The aim of this pilot study was to develop a childhood injury surveillance system at University of Ilorin Teaching Hospital, Nigeria. Methods All children aged ≤15 years presenting with injuries at the emergency room (ER) during a 10-month period were included. A structured form was designed to obtain information on injury history from parents/guardians. Clinical details were extracted from medical records. Data were compared using χ 2 /Fisher's exact test as appropriate. Results/Outcome A total of 111 children presented to the ER with injuries (10% of all patients seen). The median age was 72 months, with a male : female ratio of 1.9 : 1. Leading mechanisms of unintentional injuries were road traffic crashes (RTC) (44%), falls (37%) and burns (13%). In 58% of RTCs, the injured child was a pedestrian. Injuries mostly occurred in homes (43%) and on streets/highways (39%). Major injuries involved the head and neck (42%) and extremities (27%). Most injuries were moderate to severe (76%) with 12% resulting in death. RTCs accounted for 46% mortality. Mortality was significantly influenced by age (p=0.028), nature of injury (p=0.013) and injury severity (p=0.000). Significance /Contribution to the Field The injury surveillance system provided valuable information on childhood injuries presenting to the ER. The results suggest that improved home and road safety and increased parental supervision are needed to reduce childhood 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 | 0,003 | 0,001 |
| 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 | 0,001 |
| 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 ».