Alcohol use among fatally injured victims in São Paulo, Brazil: bridging the gap between research and health services in developing countries
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Most studies reporting alcohol use among fatally injured victims are subject to bias, particularly those related to sample selection and to absence of injury context data. We developed a research method to estimate the prevalence of alcohol consumption and test correlates of alcohol use prior to fatal injuries. DESIGN, SETTING AND PARTICIPANTS: Cross-sectional study based on a probability sample of fatally injured adult victims (n = 365) autopsied in São Paulo, Brazil. Victims were sampled within systematically selected 8-hour sampling blocks, generating a representative sample of fatal injuries occurring during all hours of the day for each day of the week between June 2014 and December 2015. MEASUREMENTS: The presence of alcohol and blood alcohol concentration (BAC) were the primary outcomes evaluated according to victims' socio-demographic, injury context data (type, day, time and injury place) and criminal history characteristics. FINDINGS: Alcohol was detected in 30.1% [95% confidence interval (CI) = 25.6-35.1)] of the victims, with a mean blood alcohol level (BAC) level of 0.11% w/v (95% CI = 0.09-0.13) among alcohol-positive cases. Black and mixed race victims presented a higher mean BAC than white victims (P = 0.03). Fewer than one in every six suicides tested positive for alcohol, while almost half of traffic-related casualties were alcohol-positive. Having suffered traffic-related injuries, particularly those involving vehicle crashes, and injuries occurring during weekends and at night were associated significantly with alcohol use before injury (P < 0.05). CONCLUSIONS: Nearly one-third of fatal injuries in São Paulo between June 2014 and December 2015 were alcohol-related, with traffic accidents showing a greater association with alcohol use than other injuries. The sampling methodology tested here, including the possibility of adding injury context data to improve population-based estimates of alcohol use before fatal injury, appears to be a reliable and lower-cost strategy for avoiding biases common in death investigations.
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 | 0,004 | 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 ».