Epidemiology and perceptions of non-fatal burns among select youth (15–24 years old) from Peshawar Pakistan; a sequential explanatory mixed methods study
Notice bibliographique
Résumé
Burns are among the top five cause of unintentional injuries among youth. We aimed to determine the incidence and risk factors of burns in select youth from Pakistan and also explored their perceptions about burns. A sequential explanatory mixed methods study was conducted which comprised of two phases. Phase 1 consisted of a cross-sectional quantitative (quan) survey in which 550 youth (15 to 24 years-old) filled out the WHO community survey tool for injuries and violence and provided data on burns in previous 12 months (2021–22). Youth from four vocational training institutes in Peshawar participated in the study. Phase 2 qualitative (QUAL), comprised of in-depth interviews (IDIs) with participants selected from phase 1 based on the occurrence of burns. STATA™ version 15.1 was used for Phase 1 data analysis and Zero-Inflated Negative Binomial model was used for determining the incidence rate ratio (IRR) of burns. Thematic analysis was performed for interviews from Phase 2. Out of 547 participants 356 (65%) were males while 191 (35%) were females. Burns were reported by 85 participants (15%) while 137 counts of burns were reported. The IRR of burns among young females was 2.89 (1.78–4.69) compared to males in 2021–22. Age, sex, father’s education, and family income were significant risk factors for burns. Six IDIs were conducted with burn victims, two were males while six were females. Four cooking-related burns, and two occupations burns were reported. Two themes that emerged from IDIs were personal carelessness and lack of knowledge and safety. Two sub-themes that were significant for recovery from burns were family support and access to healthcare. Young females are at a higher risk of burn injuries in Pakistan. Various social, demographic, and behavioral risk factors are associated with burns. Pre-burn and post-burn interventions are needed for prevention from burns in youth.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 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 ».