Establishing an Essential Dataset for Trauma Registry in LMICs: Insights From a Delphi Survey
Notice bibliographique
Résumé
BACKGROUND: Injury is a leading cause of morbidity and mortality globally, with 90% of deaths occurring in low-middle-income countries (LMICs). Establishing well-functioning trauma systems is crucial in LMICs, with a trauma registry being an integral component. This study used the Delphi Technique to gather insights from trauma experts on essential data variables for adult trauma registries in LMICs. It aimed to identify critical variables that can improve trauma care in resource-constrained settings. METHODS: A two-round Delphi survey was conducted from October 2023 to June 2024, engaging trauma specialists from diverse regions. Experts evaluated variables as essential, optional, or excluded, with a consensus of 70% agreement. Feedback from the first round informed the second round, focusing on variables lacking consensus. RESULTS: In the first round, 37 variables reached consensus as essential, including demographics, injury-related data, prehospital information, some clinical assessment variables, injury classification, road traffic accident data, and patient outcome data. The second round identified additional variables and categorized others as optional, including education level, income level, certain advanced imaging modalities, cost of care, and some outcome measures. Birthplace was identified as the only variable for exclusion from the trauma registry. CONCLUSIONS: This study identifies essential elements of a trauma registry in LMICs, leveraging insights from experts experienced in resource-limited settings. These recommendations ensure relevance and feasibility for implementation. Establishing such a registry is crucial for quality assurance, jurisdictional comparisons, and the foundation of trauma systems.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».