Consumer Trends Reflected in the Contents of the Pediatric Esophagus: A 20‐Year Review
Notice bibliographique
Résumé
Objectives To evaluate epidemiological trends of pediatric esophageal foreign body (EFB) ingestion over two decades. Methods A retrospective analysis was performed using data from the National Electronic Injury Surveillance System (NEISS) database for children <18 years who presented to a United States Emergency Department (ED) with EFB between 2003 and 2022. Number of cases and type of EFB were recorded. Rates of EFBs over time were analyzed via linear regression. Results A total of 52,315 EFB cases were identified over the 20‐year period, with a national estimate of 1,589,325 cases. The most frequently ingested objects were coins (37.6%), toys (13.5%), and batteries (6.8%). Overall incidence of EFB ingestion increased from 7.3 to 14.2/10,000 children from 2003 to 2022 ( R 2 = 0.8, p < 0.0001). Incidence of coin ingestion increased from 3 to 4.5/10,000 children ( R 2 = 0.06, p = 0.335) but represented a smaller proportion of all EFB over time (66% in 2003 versus 43% in 2022). Incidence of magnet, battery, and toy ingestion have increased from 0.3 to 1.0/10,000 ( R 2 = 0.9, p < 0.0001), 0.3 to 1/10,000 ( R 2 = 0.7, p < 0.0001), and 0.6 to 2.3/10,000 ( R 2 = 0.8, p < 0.0001) children, respectively, between 2003 and 2022. The proportion of magnet, battery, and toy ingestion have increased over time (3.2%, 6.5%, and 11.8%, respectively, in 2003 to 11.4%, 11.7%, and 22.2%, respectively, in 2022). Conclusion Magnet, battery, and toy ingestion have increased significantly in the past two decades, while the proportion of coin ingestion has decreased. This trend may reflect shifts within the consumer market and increased availability of electronics concurrent with the adoption of digital currency. Level of Evidence 4 Laryngoscope , 2024
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».