Measuring the Masses: Mass-Gathering Medical Case Reporting, Conceptual Modeling – The DREAM Model (Paper 5)
Notice bibliographique
Résumé
INTRODUCTION: Without a robust evidence base to support recommendations for first aid, health, and medical services at mass gatherings (MGs), levels of care will continue to vary. Streamlining and standardizing post-event reporting for MG medical services could improve inter-event comparability, and prospectively influence event safety and planning through the application of a research template, thereby supporting and promoting growth of the evidence base and the operational safety of this discipline. Understanding the relationships between categories of variables is key. The present paper is focused on theory building, providing an evolving conceptual model, laying the groundwork for exploring the relationships between categories of variables pertaining the health outcomes of MGs. METHODS: A content analysis of 54 published post-event medical case reports, including a comparison of the features of published data models for MG health outcomes. FINDINGS: A layered model of essential conceptual components for post-event medical reporting is presented as the Data Reporting, Evaluation, & Analysis for Mass-Gathering Medicine (DREAM) model. This model is relational and embeds data domains, organized operationally, into "inputs," "modifiers," "actuals," and "outputs" and organized temporally into pre-, during, post-event, and reporting phases. DISCUSSION: Situating the DREAM model in relation to existing models for data collection vis a vis health outcomes, the authors provide a detailed discussion on similarities and points of difference. CONCLUSION: Currently, data collection and analysis related to understanding health outcomes arising from MGs is not informed by robust conceptual models. This paper is part of a series of nested papers focused on the future state of post-event medical reporting.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».