A pilot trauma registry in Peshawar, Pakistan – A roadmap to decreasing the burden of injury – Quality improvement study
Notice bibliographique
Résumé
BACKGROUND/LOCAL PROBLEM: In Pakistan, trauma is a significant public health issue accounting for the second leading cause of disability and fifth for healthy years of life lost. Well-developed trauma systems, utilizing trauma registries, have been proven to decrease morbidity and mortality from injuries, and helped to reduce the number of injured patients. In Pakistan, most data on injury are acquired through methods that are retrospective, incomplete, and open to recall bias. To that end, a trauma registry was piloted at the Lady Reading Hospital (LRH) in Peshawar, Pakistan to elucidate the importance of trauma registries in designing healthcare targeted quality improvement initiatives. INTERVENTION: Upon receiving ethics approval, a twenty-five-point registry was piloted at the Lady Reading Hospital. METHODS: The pilot implementation was carried out from May 9th to May 13th, 2018. RESULTS: A total of 267 patients were included in the pilot registry. Motor vehicle collisions were the most prevalent cause of injury (46%). The other causes of injury included falls (24%), blunt assaults (9%), stabs/cuts (8%), gunshots (6%), crush injuries (3%), burns (2%), and blasts/landmines (2%). Most patients were treated in the trauma bay and required no further acute intervention (51%). CONCLUSION: This 5-day pilot trauma registry was the first of its kind in Peshawar, Pakistan, and despite its short course, an immense amount of data was garnered on the epidemiology of injury in the region. Significantly, the data collected can already be used to develop evidence-based changes, which will effectively minimize the impact of trauma.
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) | 0,001 | 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 ».