739 Epidemiology of Accidental Burn Injuries: National Trends in Hospitalizations and Emergency Department Visits (2017-2022)
Notice bibliographique
Résumé
Abstract Introduction Understanding the evolving epidemiological trends of burns is essential for informing prevention strategies and healthcare resource allocation. While previous studies have described these trends within specific provinces, a comprehensive analysis of country-wide data is lacking. Methods We conducted a national retrospective population-based study of all burn-related emergency department (ED) visits and hospitalizations over a 5-year period (2017-2022). Data were extracted from a national repository of health administrative data. Injuries due to assault and suicide attempt were not included. Results Over a 5-year period there were 13,795 burn-related hospitalizations. There were four burn injury mechanisms identified in the database, from least to most common being related to electric current, explosion, fire and flame, and hot substances. The incidence of burns requiring hospitalization in the country remained constant over the 5-year period at 0.007%, though the absolute number of admissions generally increased over time. ED visit data were only available for 6 provinces in which there has been an overall decline in burn-related ED visits. The overall incidence of burns presenting to the ED decreased from 0.13% to 0.12% over the study period. Furthermore, the proportion of ED visits requiring hospitalization has increased over time from 5.4% to 6.4%. Conclusions In summary, this national population-based study of burn injuries from 2017-2022 has demonstrated that while the incidence of burn-related ED visits in several provinces has decreased, the national incidence of burn-related hospitalizations in the country has remained stable. These findings shed light on the changing landscape of burn injuries and underscore the need for continued monitoring and targeted prevention strategies. Applicability of Research to Practice This study offers important insights into the epidemiology of burn injuries from 2017-2022 and provides a foundation for evidence-based decision-making in burn injury resource allocation.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».