Implications of estimating road traffic serious injuries from hospital data
Notice bibliographique
Résumé
To determine accurately the number of serious injuries at EU level and to compare serious injury rates between different countries it is essential to use a common definition. In January 2013, the High Level Group on Road Safety established the definition of serious injuries as patients with an injury level of MAIS3+(Maximum Abbreviated Injury Scale). Whatever the method used for estimating the number or serious injuries, at some point it is always necessary to use hospital records. The aim of this paper is to understand the implications for (1) in/exclusion criteria applied to case selection and (2) a methodological approach for converting ICD (International Classification of Diseases/Injuries) to MAIS codes, when estimating the number of road traffic serious injuries from hospital data. A descriptive analysis with hospital data from Spain and the Netherlands was carried out to examine the effect of certain choices concerning in- and exclusion criteria based on codes of the ICD9-CM and ICD10. The main parameters explored were: deaths before and after 30 days, readmissions, and external injury causes. Additionally, an analysis was done to explore the impact of using different conversion tools to derive MAIS3 + using data from Austria, Belgium, France, Germany, Netherlands, and Spain. Recommendations are given regarding the in/exclusion criteria and when there is incomplete data to ascertain a road injury, weighting factors could be used to correct data deviations and make more real estimations.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».