Bicycle injuries presenting to the emergency department during <scp>COVID</scp>‐19 lockdown
Notice bibliographique
Résumé
AIM: Since the start of the COVID-19 pandemic, there have been many changes in the presenting complaints in paediatric emergency departments (EDs). We sought to characterise the impact of the COVID-19 pandemic on bicycle-related injuries in children presenting to a tertiary care paediatric ED. METHODS: We conducted a descriptive, cross-sectional study of ED visits to a large urban tertiary children's hospital, comparing March to October 2020 (the study period) to the same date range 2 years prior (i.e. March to October 2018-2019). We included children 0-17.99 years presenting for a bicycle-related injury. We compared absolute visit counts of bike injuries per month, demographics, triage acuity, injury type and disposition. RESULTS: A total of 1215 bike-related visits were analysed. There were 234 presentations in 2018 (March to October), 305 in 2019, and 676 in 2020. Overall, the mean age was 9.5 years (standard deviation 5.5-13.5), there were 67% males, median Canadian Emergency Department Triage and Acuity Scale score was 3 (interquartile range 3-4) and the most common injuries were fractures (n = 471, 38.8%). There were significantly more bike injuries presenting to the ED per month in the COVID group, 33.7(17.9) versus 84.5(61.4) (two-tailed P value = 0.041). There was no statistical difference in 'severe injuries' pre- versus post-COVID (odds ratio 0.815 (95% confidence interval 0.611-1.088), P = 0.165). CONCLUSION: There was a significant increase in bicycle-related injuries presenting to our ED during the pandemic, compared to previous years. Evaluating these trends will allow for the exploration of harm reduction strategies for preventing future bicycle-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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».