Mobile Burn Disaster Response Teams: A Scoping Review
Notice bibliographique
Résumé
The resources needed to deliver modern burn care may be overwhelmed by mass casualty disasters. In 2021, the World Health Organization (WHO) recommended that countries prepare teams of deployable burn experts to assist with responding to a mass casualty disaster. The aim of this scoping review was to identify existing literature regarding burn mobile response team organization, describe the reported effectiveness of these teams, identify challenges in adopting the WHO recommendations, and consider how the recommendations may be reconsidered. We conducted a scoping review of all literature types published up to January 2022. Searches of MEDLINE, EMBASE, Scopus, and CINAHL databases were conducted to identify reports informing or reporting the use of mobile burn care specialty teams that respond to events resulting in multiple burn-injured victims, including pediatric victims and military response to civilian events. Of 6132 identified reports, 26 publications were reviewed. Three types of mobile burn response teams were identified: (1) teams organized by burn care networks, (2) government-organized medical disaster teams with burn-specific experts, and (3) the U.S. Army Burn Flight Team. Teams have responded to events such as terrorist attacks by providing specialized burn supplies and personnel. These teams have demonstrated expert triage and stabilization advantages but are limited by the number of deployable specialists. Although the WHO recommends increasing the number of mobile burn response teams available around the world, few countries have implemented this recommendation. A hybrid model where responders on scene communicate with burn center experts to manage triage may address these challenges.
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 | 0,028 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».