MétaCan
Menu
Retour à la cohorte
Enregistrement W2777649062 · doi:10.1080/17457300.2017.1416484

Incidence, patterns and risk factors for injuries among Ugandan children

2017· article· en· W2777649062 sur OpenAlexaff
Anthony Batte, Godfrey Siu, Brenda Tibingana, Anne Chimoyi, Lucy Chimoyi, Nino Paichadze, Kennedy Otwombe

Notice bibliographique

RevueInternational Journal of Injury Control and Safety Promotion · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueInjury Epidemiology and Prevention
Établissements canadiensImpactWestern University
Organismes subventionnairesFogarty International Center
Mots-clésPoison controlInjury preventionOccupational safety and healthHuman factors and ergonomicsSuicide preventionIncidence (geometry)Medical emergencyEnvironmental healthMedicineDemography

Résumé

récupéré en direct d'OpenAlex

There is limited epidemiological data on childhood injuries in developing countries. This study assessed the incidence, patterns and risk factors for injuries among children aged 0-5 years in Wakiso District, Uganda. To determine differences, chi-square and Wilcoxon rank sum tests were used. Risk factors were assessed using Poisson regression. Overall, information from 359 children of mean age 32 months (SD: 18.4) was collected. Annual incidence of injuries was 69.8 per 1000 children/year (95% CI 58.8-80.8). One fatal injury due to burns was reported. Incidence of injuries was less associated with being female (IRR: 0.56, 95% CI 0.34-0.90) and increasing age of the caretaker (IRR: 0.96, 95% CI 0.92-0.99). The high incidence of childhood injuries necessitates the need for interventions to reduce injuries among children.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,345

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,309
Écart entre enseignants0,299 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Injury Control and Safety PromotionMême sujetInjury Epidemiology and PreventionTravaux en français237 207