Socio Economic Status and Traumatic Brain Injury amongst Pediatric Populations: A Spatial Analysis in Greater Vancouver
Notice bibliographique
Résumé
INTRODUCTION: Within Canada, injuries are the leading cause of death amongst children fourteen years of age and younger, and also one of the leading causes of morbidity. Low Socio Economic Status (SES) seems to be a strong indicator of a higher prevalence of injuries. This study aims to identify hotspots for pediatric Traumatic Brain Injury (TBI) and examines the relationship between SES and pediatric TBI rates in greater Vancouver, British Columbia (BC), Canada. METHODS: Pediatric TBI data from the BC Trauma Registry (BCTR) was used to identify all pediatric TBI patients admitted to BC hospitals between the years 2000 and 2013. Spatial analysis was used to identify hotspots for pediatric TBI. Multivariate analysis was used to distinguish census variables that were correlated with rates of injury. RESULTS: Six hundred and fifty three severe pediatric TBI injuries occurred within the BC Lower Mainland between 2000 and 2013. High rates of injury were concentrated in the East, while low rate clusters were most common in the West of the region (more affluent neighborhoods). A low level of education was the main predictor of a high rate of injury (OR = 1.13, 95% CI = 1.03-1.23, p-Value 0.009). CONCLUSION: While there was a clear relationship between different SES indicators and pediatric TBI rates in greater Vancouver, income-based SES indicators did not serve as good predictors within this region.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».