Mass-Gathering Medicine: Creation of an Online Event and Patient Registry
Notice bibliographique
Résumé
UNLABELLED: INTRODUCTION/PROBLEM: A review of the mass-gathering medicine literature confirms that the research community currently lacks a standardized approach to data collection and reporting in relation to large-scale community events. This lack of consistency, particularly with regard to event characteristics, patient characteristics, acuity determination, and reporting of illness and injury rates makes comparisons between and across events difficult. In addition, a lack of access to good data across events makes planning medical support on-site, for transport, and at receiving hospitals, challenging. This report describes the development of an Internet-hosted, secure registry for event and patient data in relation to mass gatherings. METHODS: Descriptive; development and pilot testing of a Web-based event and patient registry. RESULTS: Several iterations of the registry have resulted in a cross-event platform for standardized data collection at a variety of events. Registry and reporting field descriptions, successes, and challenges are discussed based on pilot testing and early implementation over two years of event enrollment. CONCLUSION: The Mass-Gathering Medicine Event and Patient Registry provides an effective tool for recording and reporting both event and patient-related variables in the context of mass-gathering events. Standardizing data collection will serve researchers and policy makers well. The structure of the database permits numerous queries to be written to generate standardized reports of similar and dissimilar events, which supports hypothesis generation and the development of theoretical foundations in mass-gathering medicine.
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 ».