Burn Registries: From Observation to Intervention
Notice bibliographique
Résumé
Burn registries are centralized datasets that collect patient data from specialized burn units.1 A recent scoping review demonstrated that burn registry publications date back as early as the 1970s, and have become more abundant after 2007. Researchers have published studies from 16 established burn registries worldwide, and there is evidence of other burn registries in development.2 Registries play a paramount role in monitoring injury and care, having been used to establish epidemiological trends, assess burn care outcomes, benchmark quality of care indicators, plan and assess delivery of burn care, and conduct research efforts. Given the existence of permanent and ever-growing datasets routinely collecting information on patient demographics, injuries, treatments, and outcomes, it is not surprising that the vast majority of burn registry-related studies published to date are observational in nature. Nevertheless, there is growing evidence of what has been coined as rRCTs, or registry-based randomized controlled trials. These have significant advantages over the traditional RCTs, all of which are relevant in the burn arena. As the data are routinely accrued, using burn registries to conduct rRCTs promises reduced data collection burden, engendering substantial cost reduction, low lost-to-follow-up rates, and increased generalizability.3 Although this is an important transition “from observation to intervention” and the readership may think this is the reason behind the title of this letter, this is not what this communication wishes to convey.
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 | 0,151 | 0,492 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,013 | 0,030 |
| Science ouverte | 0,005 | 0,026 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,042 | 0,008 |
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 ».