Predictors of False-Negative Focused Assessment With Sonography for Trauma Examination in Pediatric Blunt Abdominal Trauma
Notice bibliographique
Résumé
OBJECTIVES: This study investigated associations between patient and injury characteristics and false-negative (FN) focused assessment with sonography for trauma (FAST) in pediatric blunt abdominal trauma (BAT). We also evaluated the effects of FN FAST on in-hospital mortality and length of stay (LOS) variables. METHODS: This retrospective cohort studied children younger than 18 years between January 1, 2002, and December 31, 2013, with BAT, documented FAST, and pathologic fluid on computed tomography, surgery, or autopsy. Multivariable and bivariate analyses were used to assess associations between FN FAST and patient injury characteristics, mortality, and hospital LOS. RESULTS: A total of 141 pediatric BAT patients with pathologic free fluid were included. There were no patient or injury characteristics, which conferred increased odds of an FN FAST. Splenic and bladder injury were negatively associated with FN FAST odds ratio of 0.4 (95% confidence interval [CI], 0.2-0.8) and 0.1 (95% CI, 0-0.8). Abbreviated Injury Scale score of 4 or greater to the abdomen and extremity was negatively associated with FN FAST odds ratio of 0.1 (95% CI, 0-0.3) and 0.3 (95% CI, 0.1-0.9). There was no association between FN FAST and mortality. Patients with an FN FAST had increased hospital LOS after controlling for sex, age, and Injury Severity Score. CONCLUSIONS: Clinicians need to be cautious applying a single initial FAST to patients with minor abdominal trauma or with suspected injuries to organs other than the spleen or bladder. Formalized studies to develop risk stratification tools could allow clinicians to integrate FAST into the pediatric patient population in the safest manner possible.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».