MétaCan
Menu
Retour à la cohorte
Enregistrement W4388730566 · doi:10.1186/s40621-023-00472-3

Pivoting injury prevention efforts during a pandemic: results of an international survey

2023· article· en· W4388730566 sur OpenAlexaffabout
Tanya Charyk Stewart, Purnima Unni, Holly R. Hanson, Jason Gilliland, Andrew Clark, Douglas D. Fraser

Notice bibliographique

RevueInjury Epidemiology · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueInjury Epidemiology and Prevention
Établissements canadiensFanshawe CollegeChildren’s Health Research InstituteLondon Health Sciences CentreLawson Health Research InstituteWestern University
Organismes subventionnairesnon disponible
Mots-clésStaffingPandemicMedicinePopulationInjury preventionCoronavirus disease 2019 (COVID-19)Occupational safety and healthFamily medicinePublic healthMedical emergencyPoison controlEnvironmental healthEmergency medicineNursingInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The COVID-19 a pandemic changed the world. Public health directives to socially distance with stay-at-home orders altered injury risk factor exposure, resulting injury patterns and conducting injury prevention (IP). The objective of this study was to determine the impact the COVID-19 pandemic on injury and IP at North American trauma centers (TC). RESULTS: Sixty-two responses were received from pediatric (44%), adult (11%), and combined (31%) TC, from 22 American states, 5 Canadian provinces and Australia. The majority (91%) of programs targeted age groups from birth to 15 years old. Nearly one-third reported IP to be less of an institutional priority with funding redistributed in 15% of centers [median (IQR) - 25% (- 43, 1)], and resultant staffing changes at 38% of centers. A decrease in IP efforts was reported at 64% of TC. Overall, the majority of respondents reviewed injury data, with the top reported increased mechanisms mainly intentional: Firearm-related (75%), assaults (72%), and abuse (71%). Leading increased unintentional injuries were injuries occurring in the home such as falls (70%), followed by ATV (62%), and cycling (57%). Sites pivoted by presenting (74%) or participating (73%) in IP education virtually, social media posts (61%) and the addition of technology (29%). Top barriers were redeployment of partners (45%) and staff (31%), as well as lack of technology (40%) in the target population. Facilitators were technology at TC (74%), support of trauma program (63%), and having IP funding maintained (55%). CONCLUSIONS: Nearly two-thirds of TC decreased IP efforts during the pandemic due to staffing and funding reductions. The leading reported increased injuries were intentional, indicating that violence prevention is needed, along with support for mental health. While TC successfully pivoted by using technology, access issues in the target population was a barrier resulting in health inequities.

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)0,017
score de la tête « metaresearch » (Gemma)0,018
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,990

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0170,018
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,096
Tête enseignante GPT0,433
Écart entre enseignants0,337 · 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.

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

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInjury EpidemiologyMême sujetInjury Epidemiology and PreventionTravaux en français237 207