Healthcare Use for Violent Injury After Intimate Partner Violence Identified Through the Justice System: A Data Linkage Study
Notice bibliographique
Résumé
IntroductionRoutine health care information systems only capture a portion of violence against women because some victimized women may not seek health care and some events may not require medical attention. Population-based estimates of the risk of violent injury (VI) among women with a history of intimate partner victimization (IPV) are lacking.
 Objectives and ApproachTo determine the risk of violent injury following IPV among women living in Manitoba, Canada, 2004-2016. Linked administrative justice, healthcare, and social databases were used. Exposure began after a woman was first involved with the Manitoba Justice system as a victim of IPV, assessed through provincial prosecution and disposition records. IPV victims (n= 20,469) were matched to three non-victims (n= 61,407) on age, relationship status and place of residence at the date of the IPV incident. The main outcomes were first health care use for violent injury and violent death. Outcomes were assessed through emergency department, hospital and vital statistics records. Conditional Cox Regression was used to obtain Hazard Ratios with 95% confidence intervals (CI).
 ResultsThe crude risk of VI was 8.5 per 1000 women among non-victims and 55.8 among victims of IPV. Compared to non-victims, IPV victims were 3.8 [95% confidence interval (CI): 3.4, 4.3] times more likely to suffer IIIO and 4.5 [95% CI: 2.3, 9.0] times to have a violent death, after adjustment. Victims had approximately half the risk of VI if the accused is on probation.
 Conclusion / ImplicationsJustice System-identified victims of IPV are at higher risk of assault and violent death than women not exposed to IPV. Justice involvement represents an opportunity for prevention of violent injury and homicide among IPV victims.
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 | 0,004 | 0,003 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,007 |
| Science ouverte | 0,007 | 0,001 |
| 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 ».