Diagnostic Tools in the Detection of Physical Child Abuse: A Systematic Review
Notice bibliographique
Résumé
Child abuse is a critical social issue. The orthopedic surgeon's role is essential in noticing signs and symptoms of physical abuse. For this reason, several authors have proposed scoring systems to identify abuse early on and reduce undiagnosed cases. The aim of this systematic review is to overview the screening tools in the literature. In 2021, three independent authors performed a systematic review of two electronic medical databases using the following inclusion criteria: physical child abuse, questionnaire, survey, score, screening tool and predictive tool. Patients who had experienced sexual abuse or emotional abuse were excluded. The risk of bias evaluation of the articles was performed according to the Newcastle-Ottawa Quality Assessment Scale Cohort Studies. Any evidence-level study reporting clinical data and dealing with a physical child abuse diagnosis tool was considered. A total of 217 articles were found. After reading the full texts and checking the reference lists, n = 12 (71,035 patients) articles were selected. A total of seven screening tools were found. However, only some of the seven diagnostic tools included demonstrated a high rate of sensitivity and specificity. The main limits of the studies were the lack of heterogeneity of evidence and samples and the lack of common assessing tools. Despite the multiplicity of questionnaires aimed at detecting validated child abuse, there was not a single worldwide questionnaire for early diagnosis. A combination of more than one test might increase the validity of the investigation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; 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 ».