MétaCan
Menu
← Retour à la cohorte
Enregistrement W4403100089 · doi:10.2196/preprints.67115

Effects of Injury Registry Data on Policymaking, Hospitalizations, and Mortality: A Systematic Review (Preprint)

2024· review· en· W4403100089 sur OpenAlexaboutno aff
Ana Cláudia Medeiros-de-Souza, Luana Emanuelly Sinhori Lopes, Tayna Felicíssimo Gomes de Souza Bandeira, Lucas Reis Correia, Naí­za Nayla Bandeira de Sá, Bruno Zocca de Oliveira

Notice bibliographique

Revuenon disponible
Typereview
Langueen
DomaineMedicine
ThématiqueTrauma and Emergency Care Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreprintMedicineComputer scienceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

BACKGROUND Initiated in 2021, a Brazilian project has the objective of establishing a national injury registry that compiles comprehensive data on events and individuals nationwide, regardless of injury severity. The registry integrates information from pre-hospital and hospital care, various health systems lacking interoperability, and data from sectors such as firefighters and police. Its primary aim is to enhance health surveillance by providing timely, high-quality information that guides prevention strategies and informs policymaking. Additionally, the project seeks to reduce morbidity and mortality associated with injuries. OBJECTIVE This study investigates the effects of injury registry data on policymaking, hospitalization rates or duration, and mortality. METHODS The systematic review followed PRISMA guidelines, with a protocol registered in PROSPERO. Five databases were searched in November 2023, with an update conducted in March 2024, incorporating reference lists from the studies included. Two reviewers independently screened records, extracted data, and assessed methodological quality using the Newcastle-Ottawa Scale (NOS), resolving disagreements with a third reviewer. Studies were eligible if they reported results related to the implementation and use of injury or trauma registry data for at least one outcome of interest, while those based on other sources were excluded. Synthesis of results was presented in tables, and the observed effects were reported as number or percentage differences. RESULTS Out of 9,100 studies retrieved, 3,951 were excluded due to duplication, leaving 5,149 for selection, with 15 full texts reviewed. Only five studies met the inclusion criteria, highlighting a notable scarcity of research on the effects of registry data on injury outcomes. It's important to note that the studies included reflect correlations rather than causalities, and there are currently no publications on impact. The findings suggest that injury and trauma registries positively influence policymaking, which, in turn, enhances health outcomes. One study noted a 3-day reduction in intensive care unit stay and a 4.1% reduction in expected hospital mortality (from 22.8% to 18.7%) for patients with an Injury Severity Score (ISS) ≥ 16, while another showed a 42% annual decrease in traffic injury hospital admissions (from 45 to 16). Significant methodological heterogeneity and the small number of studies limited the feasibility of a meta-analysis. CONCLUSIONS Establishing an injury registry in Brazil presents a significant opportunity to enhance health outcomes through informed policymaking. While the direct effects on morbidity and mortality may not be immediately evident, the registry's role in facilitating preventive measures and improving surveillance capabilities is invaluable.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,045
score de la tête « metaresearch » (Gemma)0,190
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,045
Score d'incertitude au seuil0,236

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0450,190
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0100,013
Bibliométrie0,0110,014
Études des sciences et des technologies0,0010,001
Communication savante0,0050,004
Science ouverte0,0020,003
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,066
Tête enseignante GPT0,429
Écart entre enseignants0,363 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTrauma and Emergency Care Studies→Travaux en français237 207→