The Kampala Trauma Score: A 20-year track record
Notice bibliographique
Résumé
ABSTRACT: Quantifying the severity of traumatic injury has been foundational for the standardization of outcomes, quality improvement research, and health policy throughout the evolution of trauma care systems. Many injury severity scores are difficult to calculate and implement, especially in low- and middle-income countries (LMICs) where human resources are limited. The Kampala Trauma Score (KTS)-a simplification of the Trauma Injury Severity Score-was developed in 2000 to accommodate these settings. Since its development, numerous instances of KTS use have been documented, but extent of adoption is unknown. More importantly, does the KTS remain useful for determining injury severity in LMICs? This review aims to better understand the legacy of the KTS and assess its strengths and weaknesses. Three databases were searched to identify scientific papers concerning the KTS. Google Scholar was searched to identify grey literature. The search returned 357 papers, of which 199 met inclusion criteria. Eighty-five studies spanning 16 countries used the KTS in clinical settings. Thirty-seven studies validated the KTS, assessing its ability to predict outcomes such as mortality or need for admission. Over 80% of these studies reported the KTS equalled or exceeded more complicated scores at predicting mortality. The KTS has stood the test of time, proving itself over the last twenty years as an effective measure of injury severity across numerous contexts. We recommend the KTS as a means of strengthening trauma systems in LMICs and suggest it could benefit high-income trauma systems that do not measure injury severity.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».