Transport Time and Mortality in Critically Ill Patients with Severe Traumatic Brain Injury
Notice bibliographique
Résumé
PURPOSE: Severe traumatic brain injury (TBI) is a major cause of morbidity and mortality in critically ill patients. Pre-hospital care and transportation time may impact their outcomes. METHODS: Using the British Columbia Trauma Registry, we included 2,860 adult (≥18 years) patients with severe TBI (abbreviated injury scale head score ≥4), who were admitted to an intensive care unit (ICU) in a centre with neurosurgical services from January 1, 2000 to March 31, 2013. We evaluated the impact of transportation time (time of injury to time of arrival at a neurosurgical trauma centre) on in-hospital mortality and discharge disposition, adjusting for age, sex, year of injury, injury severity score (ISS), revised trauma score at the scene, location of injury, socio-economic status and direct versus indirect transfer. RESULTS: Patients had a median age of 43 years (interquartile range [IQR] 26-59) and 676 (23.6%) were female. They had a median ISS of 33 (IQR 26-43). Median transportation time was 80 minutes (IQR 40-315). ICU and hospital length of stay were 6 days (IQR 2-12) and 20 days (IQR 7-42), respectively. Six hundred and ninety-six (24.3%) patients died in hospital. After adjustment, there was no significant impact of transportation time on in-hospital mortality (odds ratio 0.98, 95% confidence interval 0.95-1.01). There was also no significant effect on discharge disposition. CONCLUSIONS: No association was found between pre-hospital transportation time and in-hospital mortality in critically ill patients with severe TBI.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| 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 ».