Lawnmower Injuries in Children: A National 13-Year Study of Urban Versus Rural Injuries
Notice bibliographique
Résumé
INTRODUCTION: Although the American Academy of Orthopaedic Surgery, American Academy of Pediatrics, and Pediatric Orthopedic Society of North America have established lawnmower safety guidelines, a notable number of injuries continue to occur. We sought to elaborate on the epidemiology of lawnmower injuries in the pediatric age group and compare urban versus rural injuries. METHODS: The Pediatric Health Information System database was queried for patients of 1 to 18 years of age from 2005 to 2017 who presented with a lawnmower injury. Results were computed using bivariate tests and multinomial regressions. RESULTS: A total of 1,302 lawnmower injuries were identified (mean age 7.7 ± 5.1 years, range 1 to 18 years; 78.9% males). Incidence rates by region, adjusted for regional case volume, were 2.16 injuries per 100,000 cases in the South, 2.70 injuries per 100,000 cases in the Midwest, 1.34 injuries per 100,000 cases in the Northeast, and 0.56 injuries per 100,000 cases in the Western United States. After stratifying and adjusting for total case volume by locale (urban/rural), it was found that urban areas had an incidence rate of 1.47 injuries per 100,000 cases, whereas rural areas had a rate of 7.26 injuries per 100,000 cases. Rural areas had higher rates of infection and higher percentages of patients requiring inpatient stay. The surgical complication rate in rural areas was 5.5% as compared to 2.6% in urban areas. Based on urban/rural status, a significant difference was observed with the age group, length of stay, income, surgical complication, and presence of infection at the bivariate level with P < 0.05. Rural areas had an overall amputation rate of 15.5% compared with 9.6% in urban areas, with rural patients being 1.7 times more likely to undergo an amputation (P < 0.05). CONCLUSION: The findings of this study show that numerous geographic and locale disparities exist in pediatric lawnmower injuries and reveal the need for improved safety awareness, especially in at-risk rural populations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».