Nonaccidental Injuries in Adopted Children: A Systematic Review
Notice bibliographique
Résumé
Nonaccidental injuries (NAI) and child abuse in adopted children are pressing public health issues, shaped by pre-adoption adversities and post-adoption stressors. This systematic review synthesizes evidence on NAI prevalence, risk factors, screening tools, and perpetrator patterns in adopted children under 16. We searched PubMed, Google Scholar, and EMBASE on October 15, 2024, using terms like “nonaccidental injuries,” “child abuse,” and “adoption,” yielding 2,847 studies from 1990–2025. Twelve studies (case series, case reports, prospective/retrospective) met inclusion criteria. Neglect (70%) and physical abuse (45%) were predominant, with fractures (70%, 40% transverse, 35% skull) and bruises (45%) most common, linked to institutional neglect, socioeconomic challenges, and transracial adoption. Parents/caregivers were frequent perpetrators, aligning with broader maltreatment trends. The International Society for the Prevention of Child Abuse and Neglect (ISPCAN) Child Abuse Screening Tool (ICAST), a 10-item questionnaire for detecting physical, sexual, emotional abuse, and neglect, was used in 5/12 studies, highlighting a gap in standardized screening. Study quality, assessed via the Newcastle-Ottawa Scale, was moderate (7/9) due to inconsistent follow-up and comparability. This review underscores adopted children’s vulnerability due to adverse childhood experiences, urging adoption-specific screening tools, trauma-informed interventions, and enhanced post-adoption support. Longitudinal research and policy reforms are essential to address cultural/socioeconomic risks and reduce maltreatment.
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 | 0,017 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».