Our Experience of Trauma Management During Novel Coronovirus 2019 (COVID-19) Pandemic in a Busy Trauma Center in Southern Iran.
Notice bibliographique
Résumé
During the past few months, the novel coronavirus 2019 (COVID-19) pandemic has significantly affected medical service provision. In Iran, it has caused around 197,000 inflictions and 9200 deaths up to June 18, 2020. While many departments turned to telehealth in this era, the trauma service should provide non-stop in presence service to the trauma victims. Our trauma center is the largest in the southwest of Iran, with the mean annual admission of 18,500 polytrauma patients. In this center, we designed a safety protocol to mitigate the spread of disease and also have a more robust case finding system, especially among asymptomatic carriers who attend hospitals based on their trauma. In brief, all unstable patients were considered SARS-COV-2 positive and were directed toward the Specialized COVID-19 related ICU. For all stable patients, history, physical examination, CXR, and lab test (Complete Blood Count, Erythrocyte Sedimentation Rate, C-Reactive Protein) were ordered before entering the wards. If there was any suspicion of COVID-19, the stable patient was admitted to the COVID-19 specialized ward. Among all 1805 patients admitted during a ten weeks interval (from January 30, 2020, to April 14, 2020), 84 had a red flag and toward to COVID-19 related wards. Of those, 67 had positive PCR or evidence in CT in favor of the COOVID-19. Moreover, during regular workups, we found that 19 completely asymptomatic trauma victims had typical Chest CT scan findings of COVID-19.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».