Association Between Burn Injury and Mental Illness among Burn Survivors: A Population-Based, Self-Matched, Longitudinal Cohort Study
Notice bibliographique
Résumé
BACKGROUND: Mental health disorders are prevalent before and after burn injury. However, the impact of burn injury on risk of subsequent mental health disorders is unknown. STUDY DESIGN: We conducted a population-based, self-matched longitudinal cohort study using administrative data in Ontario, Canada between 2003 and 2011. All adults who survived to discharge after major burn injury were included, and all mental health-related emergency department visits were identified. Rate ratios (RRs) for mental health visits in the 3 years after burn, compared with the 3 years before, were estimated using negative binomial generalized estimating equations. RESULTS: Among 1,530 patients with major burn injury, mental health visits were common both before (141 per 1,000 person years) and after (154 per 1,000 person years) injury. Mental health visits were most common in the 12 weeks immediately preceding injury. No significant difference in the overall visit rate was observed after burn (RR 0.97; 95% CI 0.78 to 1.20), although among patients with less than 1 pre-injury visit, mental health visits tripled (RR 3.72; 95% CI 2.70 to 5.14). Self-harm emergencies increased 2-fold (RR 1.95; 95% CI 1.15 to 3.33). CONCLUSIONS: Mental health emergencies are prevalent among burn-injured patients. Although the overall rate of mental health visits is not increased after burn, the rate increases significantly among patients with one or fewer visits pre-injury. Self-harm risk increases significantly after burn injury, underscoring the need for screening and targeted interventions after discharge. An increased rate immediately before burn suggests an opportunity for injury prevention through mental healthcare.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».