Predicting completion of follow-up in prospective orthopaedic trauma research
Notice bibliographique
Résumé
OBJECTIVE: Orthopaedic trauma studies that collect long-term outcomes are expensive and maintaining high rates of follow-up can be challenging. Knowing what factors influence completion of follow-up could allow interventions to improve this. We aimed to assess which factors influence completion of follow-up in the 12 months following surgery in prospective orthopaedic trauma research. DESIGN: Prospective Cohort Study. SETTING: Level 1 Trauma Center, Vancouver, Canada. PARTICIPANTS: Eight hundred seventy patients recruited to 4 prospective studies investigating the outcomes of operatively treated lower extremity fractures. MAIN OUTCOME MEASUREMENTS: Completion of follow-up defined as completion of all outcome measures at all time points up to 12 months following injury. RESULTS: Univariate analysis and subsequent analysis by building a reductive multivariate regression model allowed for estimation of the influence of factors in completion of follow-up.Eight hundred seventy patients with complete data had previously been recruited and were included in the analysis. Seven hundred seven patients (81.2%) completed follow-up to 12 months. Factors associated with completion of follow up included higher physical component score of SF-36 at baseline, not being on social assistance at the time of injury, being married and having a higher level of educational attainment. CONCLUSIONS: Our study has demonstrated several important factors identifiable at baseline which are associated with a failure to complete follow-up. Although these factors are not modifiable themselves, we advocate that researchers designing studies should plan for additional follow-up resources and interventions for at risk patients. LEVEL OF EVIDENCE: Level IV.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».