MétaCan
Menu
← Retour à la cohorte
Enregistrement W2981284170 · doi:10.2196/10877

Injuries Reported by Selected Health Facilities During the Arbaeenia Mass Gathering at Babel Governorate, Iraq, 2014: Retrospective Records Analysis

2019· article· en· W2981284170 sur OpenAlexvenueno aff
Abdulaal Chitheer, Faris Lami, Ahmed Radhi, Ali Arbaji

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueTravel-related health issues
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMass gatheringMedicineCoronerMedical emergencyInjury preventionPoison controlOccupational safety and healthDemographicsEmergency medicineSuicide preventionMedical recordPublic healthEnvironmental healthDemographySurgeryNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Arbaeenia is the largest religious mass gathering in Iraq. The conditions associated with mass gatherings result in high rates of injury. There have been no prior studies on injuries during the Arbaeenia mass gathering. OBJECTIVE: This study describes the injuries observed during the Arbaeenia mass gathering in Babel Governorate in Iraq between November 24 and December 14, 2014. METHODS: The study was conducted in Babel Governorate at the emergency departments of six public hospitals and two major temporary medical units that were located along the three roads connecting the Middle and Southern Iraqi governorates. We used the Iraq Injury Surveillance System modified form to collect information on injured patients treated in the selected facilities. Data on fatal injuries was obtained from the coroner's office. The following data were collected from the patients: demographics, outcome of injury, place and time of occurrence, mode of evacuation and medical care before arriving at the hospital, duration of travel from place of occurrence to hospital, disposition of non-fatal injury, cause and mode of injury, and whether the injury occurred in connection with the Arbaeenia mass gathering. RESULTS: Information was collected on 1564 injury cases, of which 73 were fatal. About half of the reported nonfatal injuries, 687/1404 (48.9%), and a quarter of fatalities, 18/73 (25%) were related to the Arbaeenia mass gathering (P<.001). Most of the reported injuries were unintentional, 1341/1404 (95.51%), occurred on the street, 864/1323 (65.6%), occurred during the daytime 1103/1174 (93.95 %). Most of those injured were evacuated by means other than ambulance 1107/1206 (91.79%) and did not receive pre-hospital medical care 788/1163 (67.7%). Minor injuries 400/1546 (25.9%) and traffic accidents 394/1546 (25.5%) were the most common types of injuries, followed by falls 270/1546 (17.5%). Among fatal injuries, traffic accidents 38/73 (52%) and violence 18/73 (25%) were the leading causes of death. Mass gathering injuries were more likely to occur among individuals aged 21-40 years (odds ratio [OR] 3.5; 95% CI 2.7-4.5) and >41 years (OR 7.6; 95% CI 5.4-10.6) versus those <21 years; more likely to be unintentional than assault (OR 5.3; 95% CI 1.8-15.5); more likely to happen on the street versus at home (OR 37.7; 95% CI 22.4-63.6); less likely to happen at night than during the day (OR 0.2; 95% CI 0.1-0.4); and less likely to result in hospital admission (OR 0.5; 95% CI 0.3-0.7). CONCLUSIONS: The study shows that most injuries were minor, unintentional, and nonfatal, and most people with injuries had limited access to ambulance transportation and did not require hospitalization.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,061
Score d'incertitude au seuil0,122

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0040,006
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,281
Écart entre enseignants0,267 · 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 source (Gemma direct ou Codex distillé), 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

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and Surveillance→Même sujetTravel-related health issues→Travaux en français237 207→