MétaCan
Menu
Retour à la cohorte
Enregistrement W4381715141 · doi:10.1001/jamanetworkopen.2023.19726

Characteristics of Medical Evacuation by Train in Ukraine, 2022

2023· article· en· W4381715141 sur OpenAlexaff
Stig Walravens, Albina Zharkova, Anja De Weggheleire, M.L. Burton, Jean-Clément Cabrol, James Lee

Notice bibliographique

RevueJAMA Network Open · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueTrauma and Emergency Care Studies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésTrainMedical evacuationUkrainianPossession (linguistics)Health careMedical careMedical emergencyMedicineOperations managementOperations researchPolitical scienceEngineeringGeographyFamily medicineCartographyLaw

Résumé

récupéré en direct d'OpenAlex

Importance: The 2022 war in Ukraine severely affected access to health care for patients in the conflict-affected regions and limited options for medical evacuation. Air transport, a common method of medical evacuation in war zones, was unsafe due to the conflict of 2 modernized military forces that were in possession of aircraft and surface-to-air weapons; therefore, Médecins Sans Frontières, in collaboration with the Ukrainian railway company and Ukrainian health agencies, addressed this by initiating medical evacuation via medically customized trains. Objective: To describe the implementation of medical evacuation trains aimed at improving the access to health care for war-affected patients. Design, Setting, and Participants: This case series describes the remodeling of 2 trains used for medical evacuation in a conflict zone during the war in Ukraine. The study was conducted from March 30 to November 30, 2022. One train had minimal adjustments and could be rapidly deployed to address the most pressing humanitarian needs, while the other underwent major structural modifications to provide intensive care capacity. The report details the medical capabilities of the trains, the organization of referrals, and operational challenges encountered. Additionally, it includes a case series on the characteristics of patients transported in the initial 8 months, based on routinely collected programmatic descriptive data of all patients transported by the medical trains. Results: In 8 months, 2481 patients (male-female ratio, 1.07; male, 1136 [46%]; female 1058 [43%]; missing data, 287 [12%]; median age, 63 years [range, 0-98 years]) were evacuated from 11 cities near the Ukrainian conflict frontline to safer areas. Initially, the trains predominantly evacuated trauma patients, but over the course of the war, the patient characteristics changed with more medical and nonacute conditions, and fewer trauma patients. The main reason for entry into the intensive care unit train carriage was for close monitoring and observation, and the main interventions performed were primarily for respiratory failure. Conclusions and Relevance: The findings of this study suggest that medical evacuation in a war zone by converted trains is possible and can improve access to health care for war-affected patients. The presence of intensive care capacity on board allows for transport of more severely ill or injured individuals. However, the target population should not be limited to trauma patients, as health care institutions affected host a much broader population whose needs and urgency for evacuation may change 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 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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,787
Score d'incertitude au seuil0,967

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,035
Tête enseignante GPT0,349
Écart entre enseignants0,314 · 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

Citations21
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJAMA Network OpenMême sujetTrauma and Emergency Care StudiesTravaux en français237 207