Occupational exposures and IPF: when the dust unsettles
Notice bibliographique
Résumé
<b>Objective:</b> To compare injury case fatality rates in the United States (US) with New Zealand (NZ) to guide future information collection, research, and evaluation. <b>Design:</b> Using NZ (1992–96) and US (1996–98) mortality censuses, NZ national 1992–96 hospital discharge censuses, and US 1996–98 National Hospital Discharge Survey data, the authors compared case fatality rates by mechanism and intent of injury and age group. The analysis was restricted to severe injuries (AIS⩾3). <b>Subjects:</b> NZ (1992–96) and US (1996–98) populations. <b>Main outcome measures:</b> Ratio of case fatality rates in NZ versus the US (RCFR<sub>(NZ:US)</sub>). <b>Results:</b> Overall, among cases meeting the study criteria, unintentional injuries were 1.57 times more likely fatal in NZ and intentional assault injuries were 1.14 times more likely to be fatal in the US. Firearms were involved in 50% of US assaults versus 8% of NZ assaults. By mechanism, cutting/piercing injuries were 1.86, firearm injuries were 1.41, and motor vehicle injuries were 1.44 times more to be likely fatal in NZ. Natural/environmental injuries (RCFR<sub>NZ:US</sub> = 0.57), unintentional poisonings (RCFR<sub>NZ:US</sub> = 0.26), and unintentional suffocations (RCFR<sub>NZ:US</sub> = 0.67) were significantly more likely to be fatal in the US. <b>Conclusions:</b> Possible reasons for the observed results include: differences in geography and proportion of population in rural areas, trauma system differences, road design and vehicle types, seat belt use, larger role of firearms in US assaults, coding practices, policies, and environmental factors. Disparities evoke hypotheses to test in future research that will guide priority setting and intervention.
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) | 0,000 | 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 ».