Global Emergency Medicine: A Scoping Review of the Literature from 2022
Notice bibliographique
Résumé
OBJECTIVE: The objective was to identify the highest quality global emergency medicine (GEM) research published in 2022. The top articles are compiled in a comprehensive list of all the year's GEM articles and narrative summaries are performed on those included. METHODS: A systematic PubMed search was conducted to identify all GEM articles published in 2022 and included a manual supplemental screen of 11 organizational websites for gray literature (GRAY). A team of trained reviewers and editors screened all identified titles and abstracts, based on three case definition categories: disaster and humanitarian response (DHR), emergency care in resource-limited settings (ECRLS), and emergency medicine development (EMD). Articles meeting these definitions were independently scored by two reviewers using rubrics for original research (OR), review (RE) articles, and GRAY. Articles that scored in the top 5% from each category as well as the overall top 5% of articles were included for narrative summary. RESULTS: The 2022 search identified 58,510 articles in the main review, of which 524 articles screened in for scoring, respectively, 30% and 18% increases from last year. After duplicates were removed, 36 articles were included for narrative summary. The GRAY search identified 7755 articles, of which 33 were scored and one was included for narrative summary. ECRLS remained the largest category (27; 73%), followed by DHR (7; 19%) and EMD (3; 8%). OR articles remained more common than RE articles (64% vs. 36%). CONCLUSIONS: The waning of the COVID-19 pandemic has not affected the continued growth in GEM literature. Articles related to prehospital care, mental health and resilience among patients and health care workers, streamlining pediatric infectious disease care, and disaster preparedness were featured in this year's review. The continued lack of EMD studies despite the global growth of GEM highlights a need for more scholarly dissemination of best practices.
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 | 0,034 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,057 | 0,031 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».