Minimal Data Elements for Surveillance and Reporting Of Musculoskeletal injuries in the MILitary (ROMMIL) International Consensus Statement
Notice bibliographique
Résumé
INTRODUCTION: A systematic approach to collecting and reporting injury data in military settings is necessary to maximize the impact of musculoskeletal injury-related research. An international consensus on recommended core data set of elements to capture and report is necessary. The purpose was to summarize the process and results from an international consensus study to establish recommended common minimum data elements for surveillance and Reporting Of Musculoskeletal injuries in the MILitary (ROMMIL). METHODS: A 10-step hybrid consensus process was performed. Knowledge users were embedded in the process for co-creation of pertinent questions, data elements, and voting. Evidence synthesis included a scoping review on the barriers and facilitators to implementing injury prevention programs, followed by a knowledge user survey. A sequential three round Delphi study refined and validated the final elements in the recommendation checklist. Consensus recommendations were presented to an international audience of stakeholders. Participants voted on each statement with 0 representing no importance, 5 somewhat important, and 10 maximum importance. RESULTS: The consensus recommendation includes one data principle of keeping continuous data continuous and 33 minimum data elements. Data elements include demographics, lifestyle, service branch, musculoskeletal/surgical history, exposure, and injury characteristics. The data principle endorsed by knowledge users recommends that continuous variables (e.g., age, weight, exposure) remain continuous and not categorized into groups. Dissenting viewpoints are detailed to provide fair and balanced consensus recommendations. CONCLUSIONS: The ROMMIL checklist could be leveraged by clinicians, researchers, and knowledge users working in military settings when comparing and harmonizing data across studies, service branches, and countries. The ROMMIL checklist will support improved data synthesis to better inform evidence-based practice in military medicine, and the ability to generate more useful prognostic models to quantify injury risk.
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 | 0,016 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».