Lay rescuer intervention in fatal drownings in Canada, 2010–2019: a population-based cross-sectional analysis
Notice bibliographique
Résumé
INTRODUCTION: Despite evidence that immediate rescue and initiation of resuscitation plays a vital role in determining the outcome of a drowning person, research on lay rescuer interventions remains limited. We explored lay rescuer interventions in fatal drowning incidents in Canada and described the characteristics of lay rescuers who had a fatal outcome while attempting to rescue another person. METHODS: We reviewed all unintentional drowning deaths that occurred in Canada (2010-2019) identified by the Drowning Prevention Research Centre. We determined the adjusted OR of lay rescuer intervention for different drowning incident characteristics using multivariable logistic regression. Using descriptive statistics, we described incidents where a lay rescuer fatally drowned while attempting to perform a rescue. RESULTS: During the study period, 4535 people died as the result of unintentional drowning incidents in Canada. There was an attempted rescue in 2480 cases (54.7%) and most were by lay rescuers (n=1846, 74.4%). Lay rescuers frequently used a high-risk, contact rescue technique (n=895, 48.5%). Lay rescuers were more likely to respond when the drowning person was a child, was female, the drowning occurred in a pool, only one person was drowning and when there was no ice present in the body of water. 74 lay rescuers fatally drowned while attempting to save another person. CONCLUSIONS: Lay rescuers frequently intervened on drowning incidents with a high-risk, contact rescue. Since characteristics differed between drowning incidents where a lay rescuer response occurred (vs not), further investigation into rescuer motivation may inform tailored interventions to reduce rescuer injury.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».