The classification of freezing cold injuries - a NATO research task group position paper
Notice bibliographique
Résumé
INTRODUCTION: Freezing cold injuries (FCI) are a common risk in extreme cold weather operations. Although the risks have long been recognised, injury occurrences tend to be sparse and geographically distributed, with relatively few cases to study in a systematic way. The first challenge to improve FCI medical management is to develop a common nomenclature for FCI classification. This is critical for the development of meaningful epidemiological reports on the magnitude and severity of FCI, for the standardisation of patient inclusion criteria for treatment studies, and for the development of clinical diagnosis and treatment algorithms. METHODOLOGY: A scoping review of the literature using PubMed and cross-checked with Google Scholar, using search terms related to freezing cold injury and frostbite, highlighted a paucity of published clinical papers and little agreement on classification schemes. RESULTS: A total of 74 papers were identified, and 28 were included in the review. Published reports and studies can be generally grouped into four different classification schemes that are based on (1) injury morphology; (2) signs and symptoms; (3) pathophysiology; and (4) clinical outcome. The nomenclature in the different classification systems is not coherent and the discrete classification limits are not evidence based. CONCLUSIONS: All the classification systems are necessary and relevant to FCI medical management for sustainment of soldier health and performance in cold weather operations and winter warfare. Future FCI reports should clearly characterise the nature of the FCI into existing classification schemes for surveillance (morphology, symptoms, and appearance), identifying risk-factors, clinical guidelines, and agreed inclusion/exclusion criteria for a future treatment trial.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».