Up to 206 Million People Reached and Over 5.4 Million Trained in Cardiopulmonary Resuscitation Worldwide: The 2019 International Liaison Committee on Resuscitation World Restart a Heart Initiative
Notice bibliographique
Résumé
Sudden out-of-hospital cardiac arrest is the third leading cause of death in industrialized nations. Many of these lives could be saved if bystander cardiopulmonary resuscitation rates were better. "All citizens of the world can save a life-CHECK-CALL-COMPRESS." With these words, the International Liaison Committee on Resuscitation launched the 2019 global "World Restart a Heart" initiative to increase public awareness and improve the rates of bystander cardiopulmonary resuscitation and overall survival for millions of victims of cardiac arrest globally. All participating organizations were asked to train and to report the numbers of people trained and reached. Overall, social media impact and awareness reached up to 206 million people, and >5.4 million people were trained in cardiopulmonary resuscitation worldwide in 2019. Tool kits and information packs were circulated to 194 countries worldwide. Our simple and unified global message, "CHECK-CALL-COMPRESS," will save hundreds of thousands of lives worldwide and will further enable many policy makers around the world to take immediate and sustainable action in this most important healthcare issue and initiative.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».