Alcohol use and injury risk in Thailand: A case‐crossover emergency department study
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: While injuries and alcohol contribute to a large proportion of the disease burden in Thailand, no well-designed underlying study has yet been published. This study aims to evaluate the relationship between acute alcohol consumption and injury risk in Thailand. DESIGN AND METHODS: Using the case-crossover design, this study examined 520 injured patients aged 18 years and older from two emergency departments in Meuang District, Chiang-Mai Province, Thailand, from June to August of 2016. The case period was defined as 6 h prior to injury, the two control periods as the same 6-h period at 1 day and 7 days prior to injury. Alcohol exposure and the amount consumed were measured for these periods. RESULTS: Twenty percent of injured patients consumed alcohol within the 6 h prior to injury, averaging 6.9 drinks during that time. The odds of injury for those individuals consuming alcoholic beverages was 5.0 (95% confidence interval 3.0, 8.2) times greater compared to non-exposure individuals; every additional drink consumed increased the odds of injury by 1.3 (95% confidence interval 1.2, 1.4). Alcohol use significantly increased the odds of sustaining an unintentional injury, intentional injury inflicted by someone else or experiencing a road traffic injury (among drivers). The dose-response analysis indicated alcohol use significantly increased the risks of unintentional injury and road traffic injuries (among drivers). DISCUSSION AND CONCLUSIONS: Exposure to alcohol increased the odds of injury in a dose-dependent fashion; hence, comprehensive, cost-effective strategies should be implemented in Thailand to reduce alcohol exposure, binge drinking and drunk driving.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».