Incidence and prevalence of traumatic spinal cord injury in Canada using health administrative data
Notice bibliographique
Résumé
Introduction: Incidence and prevalence data are needed for the planning, funding, delivery and evaluation of injury prevention and health care programs. The objective of this study was to estimate the Canadian traumatic spinal cord injury (TSCI) incidence, prevalence and trends over time using national-level health administrative data. Methods: ICD-10 CA codes were used to identify the cases for the hospital admission and discharge incidence rates of TSCI in Canada from 2005 to 2016. Provincial estimates were calculated using the location of the admitting facility. Age and sex-specific incidence rates were set to the 2015/2016 rates for the 2017 to 2019 estimates. Annual incidence rates were used as input for the prevalence model that applied annual survivorship rates derived from life expectancy data. Results: For 2019, it was estimated that there were 1,199 cases (32.0 per million) of TSCI admitted to hospitals, with 123 (10% of admissions) in-hospital deaths and 1,076 people with TSCI (28.7 per million) were discharged in Canada. The estimated number of people living with TSCI was 30,239 (804/million); 15,533 (52%) with paraplegia and 14,706 (48%) with tetraplegia. Trends included an increase in the number of people injured each year from 874 to 1,199 incident cases (37%), an older average age at injury rising from 46.6 years to 54.3 years and a larger proportion over the age of 65 changing from 22 to 38%, during the 15-year time frame. Conclusion: This study provides a standard method for calculating the incidence and prevalence of TSCI in Canada using national-level health administrative data. The estimates are conservative based on the limitations of the data but represent a large Canadian sample over 15 years, which highlight national trends. An increasing number of TSCI cases among the elderly population due to falls reported in this study can inform health care planning, prevention strategies, and future research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».