Does recall of preinjury disability change over time?
Notice bibliographique
Résumé
BACKGROUND: Pre-injury disability must be determined when assessing whether treatment programs return people to pre-injury status, however there is little empirical evidence to support recommendations that this be done as soon as possible after injury to prevent recall bias. OBJECTIVES: To determine disagreement between recall of pre-injury disability at different time points post-injury and bias towards under- or overestimating pre-injury disability. METHODS: Self-reported pre-injury global disability was assessed within days, 6 months and 12 months post-injury in patients admitted to two level 1 adult trauma centres. Kappa statistics and multiple logistic regression models identified predictors of disagreement between time-points. RESULTS: Pre-injury disability was measured at all time-points in 801 patients. Pre-injury disability at baseline was rated as none, mild, moderate, marked and severe in 80%, 12%, 5.1%, 1.9% and 1.0% respectively. Absolute agreement between baseline and 6 and 12 months respectively, was 79% and 80%. Corresponding kappa values (95% confidence intervals) were 0.33 (0.26-0.40) and 0.32 (0-25-0.38). Patients over 65 years or not completing high school were more likely to report less pre-injury disability at 6 and 12 months than at baseline with adjusted odds ratios (95% confidence intervals) for these groups being 8.24 (4.32-15.72) and 1.93 (1.03-3.64) respectively. CONCLUSIONS: There was little evidence of recall bias in an adult trauma population if self-reported global pre-injury disability was assessed 6 months post-injury. The recall of pre-injury disability up to 6 months post-injury can be used to determine return to pre-injury status, if assessment is not feasible shortly after 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 | 0,000 | 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) | 0,001 | 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 ».