Social vulnerability index and firearms: How neighborhood health disparities affect trauma outcomes
Notice bibliographique
Résumé
Background: Firearm injuries' association with individual-level socioeconomic risk is well described. Trauma research has suggested that neighborhood level risk factors may be associated with differences in firearm injury outcome. We analyzed the relationship between hospital length of stay (LOS), mortality and neighborhood level social markers from the Center for Disease Control (CDC) Social Vulnerability Index (SVI) after firearm injury. Materials and methods: We used the Healthcare Cost and Utilization Project (HCUP) State Inpatient Database (SID) in 2016 to identify firearm injuries using ICD-10 E-codes. Patient locations were identified at the census tract level. The 2016 CDC SVI was used to evaluate neighborhood level social vulnerability. Logistic and linear multivariable regression were used to evaluate the association between SVI percentile rank, mortality, and LOS. Results: We identified 9,764 cases of firearm injury in our database; 88.2% of individuals were male, and the average age was 33.8 years. Assault was the most common intent, accounting for 4682 (48.0%) of all admissions. Overall, SVI was correlated with the risk of firearm injury, but not associated with either outcome of length of stay or risk of death. Conclusions: While there is significant disparity between SVI and risk of firearm injury, once admitted to the hospital outcomes are similar between low and high-vulnerable populations. To reduce disparities in risk, funding and effort should focus on primary prevention.
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 | 0,018 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».