MétaCan
Menu
Retour à la cohorte
Enregistrement W4400920208 · doi:10.1089/neu.2024.0194

Shifting Trends in the Epidemiology of Cervical Spine Injuries: An Analysis of 11,822 Patients from the National Electronic Injury Surveillance System over Two Decades

2024· article· en· W4400920208 sur OpenAlexaff
Brittany Grace Futch, Andreas Seas, Favour C. Ononogbu-Uche, Shahenda Khedr, Judah Kreinbrook, Christopher I. Shaffrey, Theresa Williamson, James D. Guest, Michael G. Fehlings, Muhammad M. Abd‐El‐Barr, Norah Foster

Notice bibliographique

RevueJournal of Neurotrauma · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSpinal Fractures and Fixation Techniques
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Institute of General Medical Sciences
Mots-clésEpidemiologyInjury surveillanceMedicineInjury preventionCervical spinePoison controlElectronic surveillanceHuman factors and ergonomicsSuicide preventionOccupational safety and healthMedical emergencyEmergency medicineSurgeryPathologyComputer securityComputer science

Résumé

récupéré en direct d'OpenAlex

Cervical spine injuries (CSIs) are heterogeneous in nature and often lead to long-term disability and morbidity. However, there are few recent and comprehensive epidemiological studies on CSI. The objective of this study was to characterize recent trends in CSI patient demographics, incidence, etiology, and injury level. The National Electronic Injury Surveillance System was used to extract data on CSIs from 2002 to 2022. Weighted national estimates of CSI incidence were computed using yearly population estimates interpolated from U.S. census data. Data analysis involved extracting additional information from patient narratives to categorize injury etiology (i.e., fall) and identify CSI level. K-means clustering was performed on cervical levels to define upper versus lower cervical injuries. Appropriate summary statistics including mean with 95% confidence intervals and frequency were reported for age, sex, race, ethnicity, etiology, and disposition. Age between groups was compared using an independent weighted Z -test. All categorical variables were compared using Pearson chi-squared tests with Bonferroni correction for multiple comparisons. Ordinary least squares linear regression was used to quantify the rate of change of various metrics with time. A total of 11,822 patient records met the study criteria. The mean age of patients was 62.4 ± 22.7 years, 52.4% of whom were male and 61.4% of whom were White, 7.4% were Black, 27.8% were not specified, and the remaining comprised a variety of ethnicities. The most common mechanism of CSI was a fall (67.3%). There was a significant increase in the incidence of cervical injuries between 2003 and 2022 ( p < 0.001). Unbiased K-means clustering defined upper cervical injuries as C1–C3 and lower cervical injuries as C4–C7. The mean age of patients with upper CSIs was 72.3 ± 19.6, significantly greater than the age of those with lower CSIs (57.1 ± 23.1, p < 0.001). Compared with lower CSI, White patients were more likely to have an upper CSI (67.4% vs. 73.7%; p < 0.001). While Black/African American (7.5% vs. 3.8%) and Hispanic (2.5% vs. 1.0%) patients were more likely to have a lower CSI ( p < 0.001). Our study identified a significant increase in the incidence of CSIs over time, which was associated with increasing patient age. Our study detected a pragmatic demarcation of classifying upper injuries as C1–C3 and lower cervical injuries as C4–C7. Upper injuries were seen more often in older, White females who were treated and admitted, and lower injuries were seen more often in young, Black male patients who were released without admission.

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)0,002
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,242

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,052
Tête enseignante GPT0,414
Écart entre enseignants0,362 · 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

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of NeurotraumaMême sujetSpinal Fractures and Fixation TechniquesTravaux en français237 207