MétaCan
Menu
Retour à la cohorte
Enregistrement W4391556196 · doi:10.2196/47444

Early Results of an Initiative to Assess Exposure to Firearm Violence in Ambulatory Care: Descriptive Analysis of Electronic Health Record Data

2024· article· en· W4391556196 sur OpenAlexvenueno aff
Nicole Cook, Megan Hoopes, Frances M. Biel, Natalie A. Cartwright, Michelle Gordon, Marion R. Sills

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGun Ownership and Violence Research
Établissements canadiensnon disponible
Organismes subventionnairesNIH Office of the DirectorCommon FundNational Institutes of Health
Mots-clésMedical emergencyAmbulatoryOccupational safety and healthHealth careMedicinePoison controlSuicide preventionElectronic health recordDescriptive statisticsInjury preventionEnvironmental healthPublic healthHuman factors and ergonomicsDescriptive researchInternet privacyNursingPolitical scienceComputer scienceSociology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Current research on firearm violence is largely limited to patients who received care in emergency departments or inpatient acute care settings or who died. This is because standardized disease classification codes for firearm injury only represent bodily trauma. As a result, research on pathways and health impacts of firearm violence is largely limited to people who experienced acute bodily trauma and does not include the estimated millions of individuals who were exposed to firearm violence but did not sustain acute injury. Assessing and collecting data on exposure to firearm violence in ambulatory care settings can expand research and more fully frame the public health issue. OBJECTIVE: The aim of the study is to evaluate the demographic and clinical characteristics of patients who self-reported exposure to firearm violence during a behavioral health visit. METHODS: This study assessed early data from an initiative implemented in 2022 across a national network of ambulatory behavioral health centers to support trauma-informed care by integrating structured data fields on trauma exposure into an electronic health record behavioral health patient assessment form (SmartForm), as such variables are generally not included in standard outpatient medical records. We calculated descriptive statistics on clinic characteristics, patient demographics, and select clinical conditions among clinics that chose to implement the SmartForm and among patients who reported an exposure to firearm violence. Data on patient counts are limited to positive reports of exposure to firearm violence, and the representativeness of firearm exposure among all patients could not be calculated due to unknown variability in the implementation of the SmartForm. RESULTS: There were 323 of 629 (51%) clinics that implemented the SmartForm and reported at least 1 patient exposed to firearm violence. In the first 11 months of implementation, 3165 patients reported a recent or past exposure to firearm violence across the 323 clinics. Among patients reporting exposure, 52.7% (n=1669) were male, 38.8% (n=1229) were Black, 45.7% (n=1445) had posttraumatic stress disorder, 37.5% (n=1186) had a substance abuse disorder (other than nicotine), and 11.7% (n=371) had hypertension. CONCLUSIONS: Current research on firearm violence using standardized data is limited to acute care settings and death data. Early results from an initiative across a large network of behavioral health clinics demonstrate that a high number of clinics chose to implement the SmartForm, resulting in thousands of patients reporting exposure to firearm violence. This study demonstrates that collecting standardized data on firearm violence exposure in ambulatory care settings is feasible. This study further demonstrates that resultant data from ambulatory settings can be used for meaningful analysis in describing populations affected by firearm violence. The results of this study hold promise for further collection of structured data on exposure to firearm violence in ambulatory settings.

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)0,008
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,556
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,005
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,150
Tête enseignante GPT0,436
Écart entre enseignants0,285 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations4
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetGun Ownership and Violence ResearchTravaux en français237 207