PW 2578 Sentinel surveillance of injuries related to substance use and abuse among the canadian pediatric population
Notice bibliographique
Résumé
Substance use is an individual behaviour that is also embedded in sociocultural context. The use of such psychoactive agents has been associated with injuries, most notably poisoning. This study seeks to identify and describe injuries related to substance use in the Canadian pediatric population that were captured within the electronic Canadian Hospitals Injury Reporting and Prevention Program (eCHIRPP) database. Records in the eCHIRPP system, years 2011 to 2016, were extracted for ages below 18 years old. Existing variable codes and narrative text were used to identify injuries related to substance use (depressants, stimulants, opioids, cannabis, and alcohol). Descriptive statistics (intent, type of injury, and hospitalization) were calculated using SAS Enterprise Guide version 5.1 and are presented. A total of 3363 cases of injury related to substance use were identified, with a frequency of 627 per 1 00 000 eCHIRPP cases. Among cases where substance use was identified, poly-substance use was observed in 14.9% of cases, and the use of depressants only in 2.4% of cases, stimulants only in 1.0% of cases, opioids in 3.2% of cases, cannabis in 12.7% of cases, and alcohol in 65.9% of cases. Poisoning accounted for most injuries (72.0%), and the majority of injuries were unintentional in nature (67.1%), although cases of physical assault (12.8%), self-harm (11.3%), and sexual assault (0.8%) were observed. Injuries severe enough to warrant hospitalization occurred in 12.1% of cases. Injuries related to the use of different categories of substances have been identified in pediatric populations presenting to eCHIRPP centres. Given the possibility of physical and psychological dependence on psychoactive agents, continued surveillance and awareness health literacy efforts are warranted. Continued surveillance and monitoring of injuries related to substance use should help to inform future injury prevention efforts.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».