MétaCan
Menu
Retour à la cohorte
Enregistrement W4285743625 · doi:10.1371/journal.pone.0266521

Spatiotemporal mapping of major trauma in Victoria, Australia

2022· article· en· W4285743625 sur OpenAlexaff
Ben Beck, Andrew Zammit‐Mangion, Richard Fry, Karen Smith, Belinda J. Gabbe

Notice bibliographique

RevuePLoS ONE · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueTrauma and Emergency Care Studies
Établissements canadiensUniversité Laval
Organismes subventionnairesAustralian Research CouncilState Government of VictoriaDepartment of Health, State Government of VictoriaTransport Accident CommissionHealth and Care Research Wales
Mots-clésGeography

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Spatiotemporal modelling techniques allow one to predict injury across time and space. However, such methods have been underutilised in injury studies. This study demonstrates the use of statistical spatiotemporal modelling in identifying areas of significantly high injury risk, and areas witnessing significantly increasing risk over time. METHODS: We performed a retrospective review of hospitalised major trauma patients from the Victorian State Trauma Registry, Australia, between 2007 and 2019. Geographical locations of injury events were mapped to the 79 local government areas (LGAs) in the state. We employed Bayesian spatiotemporal models to quantify spatial and temporal patterns, and analysed the results across a range of geographical remoteness and socioeconomic levels. RESULTS: There were 31,317 major trauma patients included. For major trauma overall, we observed substantial spatial variation in injury incidence and a significant 2.1% increase in injury incidence per year. Area-specific risk of injury by motor vehicle collision was higher in regional areas relative to metropolitan areas, while risk of injury by low fall was higher in metropolitan areas. Significant temporal increases were observed in injury by low fall, and the greatest increases were observed in the most disadvantaged LGAs. CONCLUSIONS: These findings can be used to inform injury prevention initiatives, which could be designed to target areas with relatively high injury risk and with significantly increasing injury risk over time. Our finding that the greatest year-on-year increases in injury incidence were observed in the most disadvantaged areas highlights the need for a greater emphasis on reducing inequities in injury.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,325
Score d'incertitude au seuil0,647

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,125
Tête enseignante GPT0,288
Écart entre enseignants0,163 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetTrauma and Emergency Care StudiesTravaux en français237 207