Presentation of Pediatric Unintentional Injuries at Rural Hospitals in Rwanda: A Retrospective Study
Notice bibliographique
Résumé
Background: Injuries are a leading cause of mortality among children globally, with children in low- and middle-income countries more likely to die if injured compared to children in high-income countries. Timely and high-quality care are essential to reduce injury-related morbidity and mortality. Objectives: This study describes patterns, management, and outcomes of children 0-15 years presenting with unintentional injuries at three district hospitals in rural Rwanda between January 1 and December 31, 2017. Methods: Using a retrospective cross-sectional study design, we assessed the demographic and clinical characteristics, care provided, and outcomes of the children using data extracted from patient medical charts. We describe the patient population using frequencies and proportions as well as median and interquartile ranges. Findings: Of the 449 injured children who sought care at the three rural district hospitals, 66.2% (n = 297) were boys. The main causes of injury were falls (n = 261, 58.1%), burns (n = 101, 22.5%), and road traffic injuries (n = 67, 14.9%). Burns were the most common injury among children aged 0-5 years while falls were the leading injury type among the 5-15 years age group. Vital signs were inconsistently completed ranging between 23.8-89.1% of vital sign items. Of the injured children, 37.0% (n = 166) received surgery at the district hospital, general practitioners performed 80.9% (n = 114) of surgeries, 87.4% (n = 145) of operated patients received no anesthesia, and 69.3% (n = 311) were admitted to the district hospital, while 2.7% (n = 12) were transferred to tertiary facilities for higher-level care. Conclusions: The presentation of child injuries-namely falls, burns, and road traffic accidents-is similar to what has been reported in other sub-Saharan African countries. However, more needs to be done to improve the completion and documentation of vital signs and increase availability of surgical specialists. Finally, targeted strategies to prevent burns and motorcycle-related injuries are recommended prevention interventions for this rural population.
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) | 0,000 | 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 ».