Epidemiology of Emergency Medical Search and Rescue in the North Shore Mountains of Vancouver, Canada, from 1995 to 2020
Notice bibliographique
Résumé
INTRODUCTION: Little is known about the epidemiology of emergency medical search and rescue incidents globally. The purpose of this study was to describe the epidemiology of emergency medical search and rescue incidents in the North Shore Mountains of Vancouver, British Columbia, Canada. METHODS: This was a retrospective review and descriptive analysis of search and rescue incident reports created by North Shore Rescue over a 25 y period from 1995 to 2019, inclusive. Incident reports were screened for inclusion against a priori criteria defining a medical callout. The National Advisory Committee of Aeronautics (NACA) severity score was used as a method to grade medical acuity of included subjects. RESULTS: We included 906 subjects. Their median age was 35 y (interquartile range, 24-53), and 65% of subjects were men. Forty-one percent (n=371) of subjects were classified as non-trauma and 54% (n=489) as trauma. The top 3 activities were hiking (53%), biking (10%), and snow sports (10%). Forty-nine percent of incidents were classified as having a NACA score of ≥3. For subjects with trauma, the top 3 body regions were lower limb (52%), head (18%), and torso (12%). For subjects with non-traumatic conditions, the top 3 causes were mental health crises (25%), exposure (25%), and cardiovascular incidents (11%). CONCLUSIONS: Half of the incidents were serious enough to require medical assessment at a hospital (NACA score ≥3). Given this medical acuity, there is a need for evidence-based guidelines and core training competencies for mountain medical search and rescue. Standardized core data sets and outcomes are needed to monitor quality of care over time.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».