Decreasing Rates of Patients With Low Back Pain Presenting to Emergency Departments
Notice bibliographique
Résumé
OBJECTIVE: To analyze trends in low back pain presentations to US emergency departments (EDs) and identify associated risk factors and barriers to care. STUDY DESIGN: Retrospective analysis using data from the National Electronic Injury Surveillance System (NEISS) from 2014 to 2023. SUMMARY OF BACKGROUND DATA: Low back pain is one of the most common reasons for seeking medical care in the United States. Post-COVID-19, many older adults seem to defer care. Understanding trends in low back pain incidence can highlight potential improvements in prevention and gaps in health care access. METHODS: NEISS data from January 1, 2014, to December 31, 2023, were queried for lower trunk injuries coded as strain/sprain. Narratives consistent with low back pain were included. Demographic and injury-related data were analyzed to estimate trends and outcomes. RESULTS: The query identified 48,829 cases of low back pain, corresponding to a national estimate (NE) of 2,001,384 cases. Low back pain incidence decreased significantly over the study period [P<0.001, β=-0.967, 95% CI: (-25216.56, -16296.58)]. Most cases involved patients aged 46-65 (29.8%) and 31-45 (28.8%). Common causes of injury included stairs (8.8%) and flooring (7%), with 51.3% occurring at home. Males and females accounted for 50.8% and 49.2% of cases, respectively. Hospitalization rates averaged 1.2%, peaking at 2.4% in 2022. CONCLUSIONS: Low back pain incidence in US EDs has declined over the past decade, possibly reflecting better prevention or alternative care pathways. However, steady hospitalization rates suggest injury severity remains unchanged. Further research is needed to assess care-seeking patterns, risk factors, and prevention strategies to address the burden of low back pain. LEVEL OF EVIDENCE: Level III.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».