Current synthetic overview on spinal cord injury epidemiological data
Notice bibliographique
Résumé
Aim. To have updated information on the epidemiology of spinal cord injury (SCI) is required for developing an adequate and effective related health policy strategies and consequent contextual decisions making regarding this category of patients and also for planning and implementing SCI prevention education and measures. Accordingly, the rationale of this article is to provide a systematic overview of the literature regarding SCI epidemiology. Material and methods. We reviewed epidemiological published reports and searched on internet specifically databases, from different centres, worldwide, about SCI, collecting descriptive data for properly estimating the incidence, prevalence, and/ or causes of SCI. Results. The global annual incidence rate is considered to be 23 cases of Traumatic Spinal Cord Injury (TSCI) per million (179,312 new cases per annum – results provided by World Health Organisation’s (WHO) in 2007). Prevalence per million inhabitants varies quite largely among statistics in different countries (from 280 in Finland to 681 in Australia, 755 in the United States of America or maybe even more, and even bigger in Canada). Men more commonly suffer from this kind of pathology and the direction of SCI evolution is to have a higher cord lesion level (more tetraplegics than paraplegics) and age at injury. Conclusion. Even if the results of this literature review showed that the SCI incidence and prevalence are rising, they did not suffer significant changes in the last three decades of time. The prevalence surveys remain poor, mainly because a basic requirement for having correct and appropriately updated figures would need national and or regional electronic dedicated registers of evidence, and this is not a situation frequent enough. But the incidence studies from USA and Europe have been increased in the last years. This article asserts the need for improving the SCI data standardised collection in many countries, especially in the ones from low developed or emergent areas.
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 | 0,008 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,042 | 0,037 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,006 |
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 ».