Hospitalization for child maltreatment and other types of injury during the COVID-19 pandemic
Notice bibliographique
Résumé
BACKGROUND: The possibility that child maltreatment was misclassified as unintentional injury during the COVID-19 pandemic has not been evaluated. OBJECTIVE: We assessed if child maltreatment hospitalizations changed during the pandemic, and if the change was accompanied by an increase in unintentional injuries. PARTICIPANTS AND SETTING: This study included children aged 0-4 years who were admitted for maltreatment or unintentional injuries between April 2006 and March 2021 in hospitals of Quebec, Canada. METHODS: We used interrupted time series regression to estimate the effect of the pandemic on hospitalization rates for maltreatment, compared with unintentional transport accidents, falls, and mechanical force injuries. We assessed if the change in maltreatment hospitalization was accompanied by an increase in specific types of unintentional injury. RESULTS: Hospitalizations for child maltreatment decreased from 16.3 per 100,000 (95 % CI 9.1-23.4) the year before the pandemic to 13.2 per 100,000 (95 % CI 6.7-19.7) during the first lockdown. Hospitalizations for most types of unintentional injury also decreased, but injuries due to falls involving another person increased from 9.0 to 16.5 per 100,000. Hospitalization rates for maltreatment and unintentional injury remained low during the second lockdown, but mechanical force injuries involving another person increased from 3.8 to 8.1 per 100,000. CONCLUSIONS: Hospitalizations for child maltreatment may have been misclassified as unintentional injuries involving another person during the pandemic. Children admitted for these types of unintentional injuries may benefit from closer assessment to rule out maltreatment.
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 ».