An Analysis of Mass Casualty Incidents in the Setting of Mass Gatherings and Special Events
Notice bibliographique
Résumé
Abstract Objectives Mass gatherings (MGs) and special events typically involve large numbers of people in unfamiliar settings, potentially creating unpredictable situations. To assess the information available to guide emergency services and onsite medical teams in planning and preparing for potential mass casualty incidents (MCIs), we analyzed the literature for the past 30 years. Methods A search of the literature for MCIs at MGs from 1982 to 2012 was conducted and analyzed. Results Of the 290 MCIs included in this study, the most frequently reported mechanism of injury involved the movement of people under crowded conditions (162; 55.9%), followed by special hazards (eg, airplane crashes, pyrotechnic displays, car crashes, boat collisions: 57; 19.6%), structural failures (eg, building code violations, balcony collapses: 38; 13.1%), deliberate events (26; 9%), and toxic exposures (7; 2.4%). Incidents occurred in Asia (71; 24%), Europe (69; 24%), Africa (48; 17%), North America (48; 27%), South America (27; 9%), the Middle East (25; 9%), and Australasia (2; 1%). A minimum of 12 877 deaths and 27 184 injuries resulted. Conclusions Based on our findings, we recommend that a centralized database be created. With this database, researchers can further develop evidence to guide prevention efforts and mitigate the effects of MCIs during MGs. ( Disaster Med Public Health Preparedness . 2014;0:1-7)
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».