Identifying health interventions by in-event health services at mass gathering events to improve health service outcomes: A scoping review
Notice bibliographique
Résumé
Introduction Mass gathering events can lead to an increased incidence of injury and/or illness for attendees, compared to expected rates in the host community. Health interventions provided by in-event health services at mass gathering events can reduce the demand on local health system. This paper aims to identify the in-event health interventions used by health providers at mass gathering events. Methods This scoping review was guided by the Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews checklist and explanation. Analysis focused on mass gathering events that had an in-event health service providing at least one health intervention. Interventions were deductively coded against the surge capacity domains of staff, stuff/supplies, space, and systems. Results A total of 41 papers were included in this review. The median patient presentation rate was 6.2/1,000 attendees. The median transport to hospital rate was 0.35/1,000. The most frequently reported interventions against the four ‘S’ surge capacity domains included: medications (n=23/41, 56.1%), procedural interventions (n=23/41, 56.1%) in stuff/supplies; presence of medical doctors (n=34/41, 82.9%) in staff; health support (n=18/41, 43.9%) in systems; and mobile (n=23/41, 56.1%) or temporary structures (n=21/41, 51.2%) in spaces. Conclusion This review provides an overview of possible health interventions that in-event health service providers can utilise. The health interventions provided by in-event health service at mass gathering events should be considered as one part of a broader health approach. Future research evaluation should include a cost of health interventions and their benefits to health 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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».