Burn Registries State of Affairs: A Scoping review
Notice bibliographique
Résumé
Registry science allows for the interpretation of disease-specific patient data from secondary databases. It can be utilized to understand disease and injury, answer research questions, and engender benchmarking of quality-of-care indicators. Numerous burn registries exist globally, however, their contributions to burn care have not been summarized. The objective of this study is to characterize the available literature on burn registries. The authors conducted a scoping review, having registered the protocol a priori. A thorough search of the English literature, including grey literature, was carried out. Publications of all study designs were eligible for inclusion provided they utilized, analyzed, and/or critiqued data from a burn registry. Three hundred twenty studies were included, encompassing 16 existing burn registries. The most frequently used registries for peer-reviewed publications were the American Burn Association Burn Registry, Burn Model System National Database, and the Burns Registry of Australia and New Zealand. The main limitations of existing registries are the inclusion of patients admitted to burn centers only, deficient capture of outpatient and long-term outcome data, lack of data standardization across registries, and the paucity of studies on burn prevention and quality improvement methodology. Registries are an invaluable source of information for research, delivery of care planning, and benchmarking of processes and outcomes. Efforts should be made to stimulate other jurisdictions to build burn registries and for existing registries to be improved through data linkage with administrative databases, and by standardizing one international minimum dataset, in order to maximize the potential of registry science in burn care.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».