Where to start? Injury prevention priority scores for traumatic injuries in Canada
Notice bibliographique
Résumé
Background: Given limited resources for injury prevention, it is essential to determine which mechanisms of injury to target to provide the most benefit to the largest proportion of the population. We developed objective, evidence-based injury prevention priority scores (IPPSs) for the Canadian population across 4 prevention perspectives: mortality, injury severity, resource use and societal cost. Methods: We performed a retrospective cohort study of all injuries in Canada from 2009/10 to 2013/14. Hospital admissions were obtained from the Discharge Abstract Database, and deaths from the Statistics Canada Canadian Vital Statistics Death Database. For each mechanism of injury, we calculated an IPPS as a balanced measure of injury frequency and 1) mortality rate, 2) median 1 – ICISS (Injury Severity Score derived from the International Statistical Classification of Diseases and Related Health Problems, 10th revision, enhanced Canadian version), 3) median cost per hospital stay or 4) median potential years of life lost (PYLL), providing a ranking of mechanisms of injury in priority order. The IPPS by definition has a mean of 50 and a standard deviation of 10. The higher the IPPS, the higher the priority for injury prevention. Results: A total of 694 535 injuries were identified over the study period. The most frequent mechanism of injury was falls (391 068 [56.3%]). The overall mortality rate was 0.09 deaths/injured person, the median 1 – ICISS was 0.017, the median cost was $5217, and the median PYLL was 0. The mechanisms with the 3 highest IPPSs were falls (75), self-harm (67) and drowning (66) for mortality; falls (77), drowning (70) and suffocation (61) for severity; falls (80), suffocation (63) and fire (60) for resource use; and falls (72), assault (62), and firearms and legal interventions (59 in both cases) for societal cost. Conclusion: This study produced IPPSs for traumatic injuries in Canada that provide objective and quantifiable methods for identifying mechanisms of injury to target for specific prevention initiatives. Preventing falls would provide the most benefit to the largest proportion of Canadians and should be prioritized in injury-prevention policy.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».