Sentinel surveillance of child maltreatment cases presenting to Canadian emergency departments
Notice bibliographique
Résumé
BACKGROUND: The Canadian Hospitals Injury Reporting Prevention Program (CHIRPP) is a sentinel surveillance program that collects and analyzes data on injuries and poisonings of people presenting to emergency departments (EDs) at 11 pediatric and eight general hospitals (currently) across Canada. To date, CHIRPP is an understudied source of child maltreatment (CM) surveillance data. This study: (1) describes CM cases identified in the CHIRPP database between1997/98 to 2010/11; (2) assesses the level of CM case capture over the 14-year period and; (3) uses content analysis to identify additional information captured in text fields. METHODS: We reviewed cases of children under 16 whose injuries were reported as resulting from CM from 1997/98 to 2010/11. A time trend analysis of cases to assess capture was conducted and content analysis was applied to develop a codebook to assess information from text fields in CHIRPP. The frequency of types of CM and other variables identified from text fields were calculated. Finally, the frequency of types of CM were presented by age and gender. RESULTS: A total of 2200 CM cases were identified. There was a significant decrease in the capture of CM cases between 1999 and 2005. Physical abuse was the most prevalent type (57%), followed by sexual assault (31%), unspecified maltreatment (7%), injury as the result of exposure to family violence (3%) and neglect (2%). Text fields provided additional information including perpetrator characteristics, the use of drugs and/or alcohol during the injury event, information regarding the involvement of non-health care professionals, whether maltreatment occurred during a visitation period with a parent and, whether the child was removed from their home. CONCLUSIONS: The findings from this initial study indicate that CHIRPP could be a complimentary source of CM data. As an injury surveillance system, physical abuse and sexual assault were better captured than other types of CM. Text field data provided unique information on a number of additional details surrounding the injury event, including risk factors.
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 | 0,000 |
| 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 ».