Traumatic blunt urethral injuries in females: A retrospective study of the National Trauma Data Bank
Notice bibliographique
Résumé
INTRODUCTION: Female blunt urethral injury (FBUI) is much less common than in males. Due to this rarity, studies of FBUI are largely confined to smaller case series. This study analyzes circumstances associated with FBUI and its contribution to mortality in greater detail. METHODS: Using the National Trauma Data Bank, we analyzed predictors of FBUI, and tested FBUI as a predictor of mortality. Univariate analysis used Chi-squared for categorical data and T-test for continuous data. Multivariate analysis used multiple logistic regression. RESULTS: A total of 245 (0.021%) of 1 185 904 female blunt trauma patients sustained FBUI vs. 2242 (0.145%) for males (p<0.001). Eighty-seven FBUIs (0.097%) occurred under age 16 vs. 153 (0.016%) in older patients (p<0.001). FBUI was more common with motorcycle (n=14, 0.203%), bicycle (n=11, 0.110%), and automobile vs. pedestrian accidents (n=47, 0.146%) than falls (n=72, 0.011%) or automobile accidents (n=61, 0.029%) (p<0.001). FBUI occurred in 114 (0.011%) patients with Injury Severity Score (ISS) <15 vs. 131 (0.091%) with ISS >15 (p<0.001). Slightly more than half (56.7%) of FBUI occurred with pelvic fractures. Age (odds ratio [OR ] 0.95, p<0.001), injury severity (OR 1.05, p<0.001), auto vs. pedestrian (OR 4.1, p<0.001), motorcycle crashes (OR 6.9, p<0.001), and bicycle crashes (OR 3.9, p<0.001) independently predicted FBUI. A total of 9.4% of FBUI patients died vs. 2.5% without FBUI (p<0.001). The association of FBUI with death was not significant on multivariate analysis. CONCLUSIONS: FBUI is more prevalent in young patients with high-force direct trauma. FBUI is not an independent predictor of mortality, suggesting that it is a marker of severe injury rather than a direct cause of death.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».