Percentage of Injuries, and Related Factors Among a Group of Medical Students in Cairo University: A Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: There has been a lack of data on injuries in young adults, including university students, in particular medical students. AIM: The current study was conducted to explore the percentage, and related factors of injuries among a group of medical students, who constitute an important risk group for accidents and injuries. METHODS: This exploratory cross-sectional study was conducted in Kasr Al-ainy Medical School. A convenient sample of medical students was chosen. 1300 survey questionnaires were distributed along all academic years, 807 from them were completely retrieved. The questionnaire form was adopted from “Health behavior survey among university students in low- and middle-income countries questionnaire.” Data entry and analysis were carried out using SPSS 21.0. RESULTS: One-quarter reported having a form of injury last year. Falling was the most nominated cause of injuries by the participant students (5,31.3%). Only those who “perceived” their general health as “well” reported being injured significantly more than those who perceived their general health as poor, with a p value = 0.006 and odds ratio of 1.6 (1.1–2.2). Taking drugs was the only factor significantly determining how the injury happened; whether it is intentional or unintentional with a p = 0.01 highlighting that about one-third (5, 31.3%) of those who were intentionally injured were taking drugs. CONCLUSION: Two factors were identified which will increase the understanding of public health of injuries in university communities to design programs for injury prevention programs specifically targeting medical students.
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 | 0,012 | 0,002 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».