MétaCan
Menu
Retour à la cohorte
Enregistrement W4323066397 · doi:10.1093/bjs/znad041

Population-level trends in emergency general surgery presentations and mortality over time

2023· article· en· W4323066397 sur OpenAlexafffundabout
Jordan Nantais, Nancy N. Baxter, Refik Saskin, Sarvesh Logsetty, David Gómez

Notice bibliographique

RevueBritish journal of surgery · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueTrauma and Emergency Care Studies
Établissements canadiensPublic Health OntarioUniversity of TorontoInstitute for Clinical Evaluative SciencesUniversity of ManitobaSt. Michael's Hospital
Organismes subventionnairesCanadian Institutes of Health ResearchInstitute of Chemical and Engineering SciencesOntario Ministry of Health and Long-Term CareMinistry of Long-Term CareJohns Hopkins UniversityMinistry of Health, Ontario
Mots-clésMedicinePopulationGeneral hospitalLibrary scienceGerontologyFamily medicineEnvironmental health

Résumé

récupéré en direct d'OpenAlex

Journal Article Population-level trends in emergency general surgery presentations and mortality over time Get access Jordan Nantais, Jordan Nantais Li Ka Shing Knowledge Institute, St Michael's Hospital, Toronto, Ontario, CanadaSection of General Surgery, Department of Surgery, University of Manitoba, Winnipeg, Manitoba, Canada Correspondence to: Jordan Nantais, Section of General Surgery, Department of Surgery, University of Manitoba, GF436B, 820 Sherbrook Street, Winnipeg, Manitoba, Canada, R3K 0V6 (e-mail: jnantais@hsc.mb.ca) https://orcid.org/0000-0003-3358-1983 Search for other works by this author on: Oxford Academic Google Scholar Nancy N Baxter, Nancy N Baxter Li Ka Shing Knowledge Institute, St Michael's Hospital, Toronto, Ontario, CanadaICES, Toronto, Ontario, CanadaDepartment of Surgery, University of Toronto, Toronto, Ontario, CanadaManagement and Evaluation, Dalla Lana School of Public Health, Institute of Health Policy, University of Toronto, Toronto, Ontario, CanadaTemerty Faculty of Medicine, Institute of Medical Science, University of Toronto, Toronto, Ontario, CanadaMelbourne School of Population and Global Health, University of Melbourne, Melbourne, Victoria, Australia Search for other works by this author on: Oxford Academic Google Scholar Refik Saskin, Refik Saskin ICES, Toronto, Ontario, Canada Search for other works by this author on: Oxford Academic Google Scholar Sarvesh Logsetty, Sarvesh Logsetty Section of General Surgery, Department of Surgery, University of Manitoba, Winnipeg, Manitoba, CanadaSection of Plastic Surgery, Department of Surgery, University of Manitoba, Winnipeg, Manitoba, CanadaDepartment of Pediatrics and Child Health, University of Manitoba, Winnipeg, Manitoba, CanadaDepartment of Psychiatry, University of Manitoba, Winnipeg, Manitoba, Canada Search for other works by this author on: Oxford Academic Google Scholar David Gomez David Gomez Li Ka Shing Knowledge Institute, St Michael's Hospital, Toronto, Ontario, CanadaICES, Toronto, Ontario, CanadaDepartment of Surgery, University of Toronto, Toronto, Ontario, CanadaManagement and Evaluation, Dalla Lana School of Public Health, Institute of Health Policy, University of Toronto, Toronto, Ontario, CanadaTemerty Faculty of Medicine, Institute of Medical Science, University of Toronto, Toronto, Ontario, CanadaDivision of General Surgery, St Michael's Hospital, Unity Health Toronto, Toronto, Ontario, Canada Search for other works by this author on: Oxford Academic Google Scholar British Journal of Surgery, znad041, https://doi.org/10.1093/bjs/znad041 Published: 04 March 2023 Article history Received: 14 October 2022 Revision received: 05 January 2023 Accepted: 01 February 2023 Published: 04 March 2023

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,209
Score d'incertitude au seuil0,882

Scores Codex et Gemma par catégorie

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

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 Opus0,109
Tête enseignante GPT0,353
Écart entre enseignants0,244 · 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 tête enseignante, 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

Citations8
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBritish journal of surgeryMême sujetTrauma and Emergency Care StudiesTravaux en français237 207