MétaCan
Menu
Retour à la cohorte
Enregistrement W2156047231 · doi:10.1097/jan.0b013e3182a04b47

Alcohol Use and Injury Severity Among Emergency Department Patients in Six Countries

2013· article· en· W2156047231 sur OpenAlexaboutno aff
Rachael Korcha, Cheryl J. Cherpitel, Yu Ye, Jason Bond, Gabriel Andreuccetti, Guilherme Borges, Shahrzad Bazargan‐Hejazi

Notice bibliographique

RevueJournal of Addictions Nursing · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueEmergency and Acute Care Studies
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute on Minority Health and Health DisparitiesNational Institute on Alcohol Abuse and Alcoholism
Mots-clésTriageEmergency departmentMedicineLogistic regressionEmergency medicineInjury preventionInjury Severity ScoreAlcohol consumptionPoison controlMedical emergencySuicide preventionOccupational safety and healthHuman factors and ergonomicsPsychiatryAlcoholInternal medicine

Résumé

récupéré en direct d'OpenAlex

This study examines the individual and sociocultural factors related to severity of injury among emergency department (ED) patients across six countries (United States, Canada, Mexico, Australia, Spain, and Italy). Secondary analysis of existing data using probability samples of injured patients from 15 studies (N = 9,599) were analyzed for severity of injury as measured by arrival by ambulance and admission to the hospital, using logistic regression models and multilevel hierarchical linear models. Patients drinking greater quantities of alcohol before the injury were more likely to have arrived to the ED by ambulance or admitted to the hospital after the injury event. Country-level detrimental drinking pattern explained some of the study variation for patients arriving by ambulance but not for patients admitted to the ED. Findings support a relationship between acute alcohol consumption to injury severity; however, further examination of the clinical implications related to triage, patient evaluation, and intervention for alcohol-related problems is merited.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,064
Score d'incertitude au seuil0,332

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,291
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Addictions NursingMême sujetEmergency and Acute Care StudiesTravaux en français237 207