A decade of firearm injuries: Have we improved?
Notice bibliographique
Résumé
BACKGROUND: Firearm injuries are a growing public health issue, with marked increases coinciding with the coronavirus disease 2019 (COVID-19) pandemic. This study evaluates temporal trends over the past decade, hypothesizing that despite a growing number of injuries, mortality would be unaffected. In addition, the study characterizes the types of centers affected disproportionately by the reported firearm injury surge in 2020. METHODS: Patients 18 years and older with firearm injuries from 2011 to 2020 were identified retrospectively using the National Trauma Data Bank (NTDB®). Trauma centers not operating for the entirety of the study period were excluded to allow for temporal comparisons. Joinpoint regression and risk-standardized mortality ratios (SMR) were used to evaluate injury counts and adjusted mortality over time. Subgroup analysis was performed to describe centers with the largest increases in firearm injuries in 2020. RESULTS: A total of 238,674 patients, treated at 420 unique trauma centers, met inclusion criteria. Firearm injuries increased by 31.1% in 2020, compared to an annual percent change of 2.4% from 2011 to 2019 ( p = 0.01). Subset analysis of centers with the largest changes in firearm injuries in 2020 found that they were more often Level I centers, with higher historic trauma volumes and percentages of firearm injuries ( p < 0.001). Unadjusted mortality decreased by 0.9% from 2011 to 2020, but after controlling for demographics, injury characteristics and physiology, there was no difference in adjusted mortality over the same time period. However, among patients with injury severity scores ≥25, adjusted mortality improved compared with 2011 (SMR of 0.950 in 2020; 95% confidence interval, 0.916-0.986). CONCLUSION: Firearm injuries pose an increasing burden to trauma systems, with Level I and high-volume centers seeing the largest growth in 2020. Despite increasing numbers of firearm injuries, mortality has remained unchanged over the past decade. LEVEL OF EVIDENCE: Prognostic and Epidemiological; Level III.
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 | 0,007 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,013 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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 ».