Clinical assessment to identify pelvic injuries in the prehospital setting: a prospective cohort study
Notice bibliographique
Résumé
Objectives Pelvic injuries can be life-threatening and are challenging to identify in the prehospital phase. This study aimed to assess how pelvic examination is performed by paramedics and to determine the accuracy of their clinical examination when identifying pelvic fractures. Methods This was a prospective cohort study of prehospital interventions including both real and simulated trauma patients between July and August 2022. Data collection for the injured patient was made by an observer who was paired with teams of two consenting paramedics. Data pertaining to the clinical assessment for potential pelvic injuries during all interventions with a trauma patient were collected. Additionally, data were collected during four simulated scenarios of patients with an open-book type pelvic fracture following high-energy trauma mechanisms. Results A total of 29 trauma-related clinical interventions were assessed. Most patients were female (n = 22, 75.9%) with a mean age of 69.8 (SD 22.2) years. Fall from standing was the main trauma mechanism (n = 21, 72.4%). During 72.4% (n = 21) of all trauma-related interventions, an assessment for pelvic injuries was performed, mostly by pelvic palpation (n = 19, 65.5%), inquiring about the presence of pain (n = 12, 41.4%), searching for deformation (n = 7, 24.1%), and/or assessing leg length (n = 8, 27.6%). No pelvic injury was suspected by the paramedics, but two patients (6.9%) had a pelvic fracture and two (6.9%) had a hip fracture. Simulated cases of high-velocity mechanisms with an open-book pelvic fracture were completed by 11 pairs of paramedics. Most did a clinical pelvic assessment (n = 8, 72.7%) using palpation. When asked after the simulation, nine pairs (81.8%) suspected a pelvic fracture. Conclusion Pelvic injuries are challenging to identify, and pelvic assessment on the field is not standardized among paramedics. Training is needed to increase awareness relative to pelvic injuries and to improve detection.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».