Hospitalisations pour blessures intentionnelles dans les régions à fort pourcentage de résidents d'identité autochtone, 2004-2005 à 2009-2010
Notice bibliographique
Résumé
<sec> <title>Introduction</title> Cette étude décrit les taux d'hospitalisation pour blessures auto-infligées et pour blessures par agression dans les régions à pourcentage relativement élevé de résidents s'identifiant comme membres des Premières nations, Métis ou Inuits, par cause de blessure, par tranche d'âge et par sexe. </sec> <sec> <title>Méthodologie</title> Tous les dossiers de sortie des hôpitaux de soins de courte durée des provinces et territoires du Canada hors Québec ont été tirés de la Base de données sur les congés des patients. Les aires de diffusion où plus de 33 % des résidents ont déclaré appartenir à un groupe autochtone au recensement de 2006 ont été classées comme « régions à fort pourcentage d'Autochtones ». </sec> <sec> <title>Résultats</title> Dans l'ensemble, dans les régions à fort pourcentage d'Autochtones, les taux d'hospitalisation normalisés selon l'âge (THNA) pour blessures auto-infligées étaient plus élevés chez les femmes, tandis que les THNA pour blessures par agression étaient plus élevés chez les hommes. Comparativement aux résidents des régions à faible pourcentage d'Autochtones, les résidents des régions à fort pourcentage d'Autochtones étaient au moins trois fois plus susceptibles d'avoir été hospitalisés pour blessures auto-infligées et au moins cinq fois plus susceptibles d'avoir été hospitalisés pour blessures par agression. </sec> <sec> <title>Conclusion</title> Les recherches à venir devraient analyser les comorbidités et les conditions socioéconomiques ainsi que les comportements à risque individuels comme facteurs associés à l'hospitalisation pour blessures auto-infligées. </sec>
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».