Health care utilization and costs following nonfatal firearm injuries for children and youth
Notice bibliographique
Résumé
Abstract Little is known about the health care and economic burdens of nonfatal firearm injuries for children/youth beyond the initial admission. This study sought to estimate health care utilization and total direct health care costs of nonfatal firearm injuries one-year post-injury. Using administrative data from 2003 to 2018 on all children/youth 0-24 years old in Ontario, Canada, a matched 1:2 cohort study was conducted to compare children/youth who experienced a firearm injury with those who did not. Mean and median number of health care encounters and costs, and respective 95% confidence intervals (CIs) and interquartile ranges (IQR), were estimated for both groups as well as costs by weapon type and intent. This study found that children/youth who experienced a firearm injury had a higher number of health care encounters per year than those who did not, particularly for medical hospitalizations (0.25 [95% CI 0.23-0.27] versus 0.01 [95% CI 0.01-0.02]) and emergency department visits (1.74 [95% CI 1.69-1.80] versus 0.38 [95% CI 0.36-0.40]). Mean and median one-year costs for those with a firearm injury were $5,442 (95% CI $5,022-$5,863) and $1,464 (IQR = $600-$4,720), and $781 (95% CI $638-$925) and $137 (IQR = $24-$401) for those without. One-year costs were highest for handgun firearm injuries ($12,875 [95% CI $9,941-$15,808]), for intentional assault-related injuries ($11,035 [95% CI $9,722-$12,348]) and intentional self-injuries ($9,658 [95% CI $5,509-$13,808]). Conclusion : Firearm injuries have substantial health care and economic burdens beyond the initial injury-related admission; this should be accounted for when examining the overall impact of firearm 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 | 0,004 | 0,002 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».