Acute injury or illness related to the inhalation of vaping aerosols among children and adolescents across Canada: A cross-sectional survey of Canadian paediatricians
Notice bibliographique
Résumé
Background: Vaping prevalence rates have increased among Canadian youth. Evidence suggests that vaping poses significant health risks to children and adolescents. Objectives: The objectives of the study were to investigate epidemiological characteristics of acute injury/illness cases due to the inhalation of vaping aerosols among children and adolescents across Canada and to explore factors contributing to severe cases. Methods: Data from the 2019 Canadian Paediatric Surveillance Program cross-sectional survey on vaping-related injury/illness were used. Analyses focused on injury/illness cases (n=71) among children and adolescents aged 0 to 17 years who presented to participating paediatricians for a harm related to the inhalation of vaping aerosols. We conducted descriptive analyses and performed logistic regression to explore associations between severe presentations requiring hospitalization or intensive care unit (ICU) admission and selected case characteristics. Results: Of the 71 reported injury/illness cases related to inhalation of vaping aerosols, 56% of patients were male, and 68% were aged 15 to 17 years. Nicotine vaping was reported in 42% of cases, and cannabis vaping in 24%. Fifty-four per cent presented with respiratory distress, 18% with symptoms of nicotine toxicity, and 41% required hospitalization and/or admission to the ICU. Cases presenting with respiratory distress were more likely to be hospitalized/admitted to the ICU (odds ratio [OR]=5.37, 95% confidence interval [CI]:1.76 to 16.39). Conclusions: The inhalation of vaping aerosols among children and adolescents may contribute to acute injury/illness. Clear associations between study variables and severe cases could not be established due to a small sample size. Additional research is needed to determine predictors and preventable risk factors of severe vaping-related injuries.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».