Fall prevention indicator priorities for public health and across health sectors in Ontario: a comparative study
Notice bibliographique
Résumé
INTRODUCTION: Falls are the leading cause of injury-related emergency department (ED) visits and hospital admissions among older adults across many provinces in Canada. To effectively address this burden requires relevant data and indicators to inform fall prevention planning and evaluation for practitioners across the spectrum of prevention. METHODS: We used a modified Delphi approach, including an environmental scan, survey and pairwise comparison exercise to identify, refine and prioritize older adult fall prevention indicators across multiple health sectors in Ontario and specifically for public health. Three iterative phases of consultation were conducted with practitioners, as well as experts in injury prevention indicator development. RESULTS: The prioritization exercise resulted in differing priorities between multiple sectors and public health. The highest ranked indicator for multiple sectors was the rate of ED visits, and the lowest was disability-adjusted life years due to a fall. For public health, the rate of hospitalizations due to a fall was ranked first, with the rate of mortality due to a fall last. The remainder of the list differs considerably by group, with certain indicators ranked on one list, but not the other. CONCLUSION: This work identified, refined and prioritized indicators for older adult fall prevention across health sectors and for public health in Ontario. While both groups shared some highly ranked indicators, their differing responsibilities in fall prevention are reflected in the contents and order of their respective priorities for indicators. Delineating the unique data needs of each group highlights the importance of having consistent and actionable data that informs prevention planning and evaluation.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».