Explaining gender differences in transfer time to a trauma center in Northern Iran
Notice bibliographique
Résumé
Background: The association between gender and time of receiving services (TRS) after traumatic injuries is rarely documented in developing countries. This study aimed to examine gender differences in time between occurring injuries and receiving services in hospital after trauma injuries in northern Iran. Materials and Methods: A total of 7085 injured patients were included in this study. Data on sociodemographic and clinical characteristics were extracted from the Guilan province trauma system registry (GTSR) from July 2017 to July 2018. The Oaxaca–Blinder (OB) method was used to explain the gender differences in the TRS after traumatic injuries. Results: There were significant differences between men and women in marital statues (P < 0.001), education level (P < 0.001), time of injury (P = 0.025), occupation (P < 0.001), type of trauma (P < 0.001), mode of transfer (P < 0.001), mean age (P < 0.001), average distance from hospital (P = 0.052), and average transfer time to the hospital (P < 0.001). We found gender differences in TRS after falling trauma (P = 0.006) when the transfer was performed by emergency medical services (EMSs) and in penetrating trauma (P < 0.001) when the transfer was performed by private vehicles. The difference in the observed characteristics of men and women explained 67% of gender differences in TRS (P = 0.06). Conclusion: The gender difference in the transfer of injured patients was in favor of men, depending on the socio-demographic and clinical factors. In OB analysis, the gender differences in falling trauma and transfer by EMS and the gender differences in penetrating trauma and private transmission to the hospital were also confirmed. Steps need to be taken to ensure that services are equally beneficial to both men and women.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».