Prehospital hemorrhage management in low‐ and middle‐income countries: A scoping review
Notice bibliographique
Résumé
INTRODUCTION: Low- and middle-income countries (LMICs) account for 90% of deaths due to injury, largely due to hemorrhage. The increased hemorrhage mortality burden in LMICs is exacerbated by absent or ineffective prehospital care. Hemorrhage management (HM) is an essential component of prehospital care in LMICs, yet current practices for prehospital HM and outcomes from first responder HM training have yet to be summarized. METHODS: This review describes the current literature on prehospital HM and the impact of first responder HM training in LMICs. Articles published between January 2000 and January 2023 were identified using PMC, MEDLINE, and Scopus databases following PRISMA-ScR guidelines. Inclusion criteria spanned first responder training programs delivering prehospital care for HM. Relevant articles were assessed for quality using the Newcastle-Ottawa scale. RESULTS: Of the initial 994 articles, 20 met inclusion criteria representing 16 countries. Studies included randomized control trials, cohort studies, case control studies, reviews, and epidemiological studies. Basic HM curricula were found in 15 studies and advanced HM curricula were found in six studies. Traumatic hemorrhage was indicated in 17 studies while obstetric hemorrhage was indicated in three studies. First responders indicated HM use in 55%-76% of encounters, the most frequent skill they reported using. Mean improvements in HM knowledge acquisition post-course ranged from 23 to 58 percentage points following training for pressure and elevation, gauze application, and tourniquet application. CONCLUSIONS: Our study summarizes the current literature on prehospital HM in LMICs pertaining to epidemiology, interventions, and outcomes. HM resources should be a priority for further development.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».