Epidemiology of nonpowdered firearm injury in high-income countries: a scoping review
Notice bibliographique
Résumé
BACKGROUND: Nonpowdered firearms discharge projectiles at forces capable of inflicting serious harm. Regulations governing access and use of non-powdered firearms vary by jurisdiction, and the injury burden resulting from these weapons is not well described and may also vary by region. Measurement and comparison of nonpowdered firearm injury rates is important to inform injury prevention strategies. We aimed to describe published rates of nonpowdered firearm injuries across Organization for Economic Co-Operation and Development (OECD) countries. METHODS: We searched MEDLINE, EMBASE, the Cochrane Library, Web of Science, Scopus, and Criminal Justice Abstracts databases from inception to April 7, 2023 for sources reporting population-level rates of nonpowdered firearm injuries (ball bearing, airsoft, or pellet guns). We excluded case reports, case series, and experimental studies. We identified grey literature through targeted webpages and Google search engine. We extracted population and injury characteristics, rates of injury, and intent and severity data. RESULTS: We identified 31 sources from five countries (United States, Canada, United Kingdom, Finland, and Sweden) that reported rates of nonpowdered firearm injury. Data were heterogenous in terms of population, year (range: 1970-2021), injury type (ocular, head/neck, all injuries). Most data sources reported high unintentional injury burden, however, a substantial number of injuries reported were due to assaults. Younger age groups (5- to 9- and 10- to 14-year-olds) were disproportionately impacted. CONCLUSIONS: Nonpowdered firearms are an important cause of injury. Gaps in reporting and lack of uniformity exist in defining these injuries and must be addressed to inform injury prevention strategies.
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 | 0,037 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».