MétaCan
Menu
← Retour à la cohorte
Enregistrement W4296498891 · doi:10.1093/pch/21.supp5.e78a

Predictors of Unintentional Injuries in Paediatric Immigrants in Ontario

2016· article· en· W4296498891 sur OpenAlexaffabout
N Saunders, Alexander S. Macpherson, A Guttmann

Notice bibliographique

RevuePaediatrics & Child Health · 2016
Typearticle
Langueen
DomainePsychology
ThématiqueMigration, Health and Trauma
Établissements canadiensToronto Public Health
Organismes subventionnairesnon disponible
Mots-clésMedicinePoisson regressionImmigrationRelative riskInjury preventionConfidence intervalDemographyEmergency departmentPoison controlPopulationOccupational safety and healthPediatricsEmergency medicineEnvironmental healthGeographyInternal medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

Abstract BACKGROUND: Unintentional injury is a frequent reason for emergency department visits and is the leading cause of death for Canadian children. Injury is associated with a number of socio-demographic variables but it is not known whether being an immigrant changes this risk. OBJECTIVES: To examine the association between family immigrant status and unintentional injury; and to test this relationship within immigrants by refugee status. DESIGN/METHODS: Retrospective population-based cross-sectional study of children ages 0 to 14 years residing in Ontario, Canada from 2008 to 2012, using linked health administrative databases and Citizenship and Immigration Canada’s Permanent Resident Database. The main exposure was immigration status (immigrant or child of an immigrant vs. Canadian born). Secondary exposure was refugee status. Main outcome measure was unintentional injury events (emergency department visits, hospitaliza-tions, deaths), annualized. Data were analyzed using Poisson regression models to estimate risk ratios (RR) for unintentional injuries. RESULTS: There were 11 464 317 injuries per year. Non-immigrant children sustained 12051 injuries/100 000 and immigrants had 6837 injuries/100 000, annually. In adjusted models, immigrants had a significantly lower risk of injury compared with non-immigrant children (RR 0.60; 95% confidence interval [CI] 0.57, 0.63). Overall, the most materially deprived neighbourhood quintile was associated with a higher rate of injury (RR 1.13; 95% CI 1.07, 1.02, quintile 5 vs. 1) whereas within immigrants, material deprivation was associated with a lower rate of injury (RR 0.96; 95% CI 0.94, 0.98, quintile 5 vs. 1). Other predictors of injury included age (0 to 4 years: RR 0.84; 95% CI 0.81, 0.88; 5 to 9 years: RR 0.70; 95% CI 0.67, 0.73), male sex (RR 1.30; 95% CI 1.26, 1.35), and rural residence (RR 1.50; 95% CI 1.43, 1.57). Injury rates were lower in immigrants across all types of unintentional injuries. Within immigrants, refugees had a higher risk of injury compared with non-refugees (RR 1.12; 95% CI 1.10, 1.14). This risk was particularly high for motor vehicle accidents (RR = 1.58; 95% CI 1.46, 1.71) and scald burns (RR 1.23; 95% CI 1.11, 1.35). CONCLUSION: Risk of unintentional injury is lower among immigrants compared with Canadian-born children. These findings support a healthy immigrant effect. Socioeconomic status has a different effect on injury risk in immigrant and non-immigrant populations, suggesting alternative causal pathways for injuries in immigrants. Risk of unintentional injury is higher in refugees versus non-refugee immigrants, highlighting a population in need of targeted injury prevention strategies.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,080
Score d'incertitude au seuil0,162

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,015
Tête enseignante GPT0,282
Écart entre enseignants0,268 · 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

Citations1
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child Health→Même sujetMigration, Health and Trauma→Travaux en français237 207→