A Geospatial Analysis of Severe Firearm Injuries Compared to Other Injury Mechanisms: Event Characteristics, Location, Timing, and Outcomes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: Relatively little is known about the context and location of firearm injury events. Using a prospective cohort of trauma patients, we describe and compare severe firearm injury events to other violent and nonviolent injury mechanisms regarding incident location, proximity to home, time of day, spatial clustering, and outcomes. METHODS: This was a secondary analysis of a prospective cohort of injured children and adults with hypotension or Glasgow Coma Scale score ≤ 8, injured by one of four primary injury mechanisms (firearm, stabbing, assault, and motor vehicle collision [MVC]) who were transported by emergency medical services to a Level I or II trauma center in 10 regions of the United States and Canada from January 1, 2010, through June 30, 2011. We used descriptive statistics and geospatial analyses to compare the injury groups, distance from home, outcomes, and spatial clustering. RESULTS: There were 2,079 persons available for analysis, including 506 (24.3%) firearm injuries, 297 (14.3%) stabbings, 339 (16.3%) assaults, and 950 (45.7%) MVCs. Firearm injuries resulted in the highest proportion of serious injuries (66.3%), early critical resources (75.3%), and in-hospital mortality (53.5%). Injury events occurring within 1 mile of a patient's home included 53.9% of stabbings, 49.2% of firearm events, 41.3% of assaults, and 20.0% of MVCs; the non-MVC events frequently occurred at home. While there was geospatial clustering, 94.4% of firearm events occurred outside of geographic clusters. CONCLUSIONS: Severe firearm events tend to occur within a patient's own neighborhood, often at home, and generally outside of geospatial clusters. Public health efforts should focus on the home in all types of neighborhoods to reduce firearm violence.
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,003 | 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 découle