Disparities in fracture care in China: a cross-sectional analysis of the INORMUS study
Notice bibliographique
Résumé
BACKGROUND: There is limited information on the morbidity burden and care pathway of musculoskeletal injuries in China. Here we describe the characteristics and care delivered for patients hospitalised for traumatic fracture in China. MATERIAL AND METHODS: Patients (≥18 years of age) from 12 hospitals across China hospitalised for traumatic injuries in the previous three months were recruited from October 2015 to April 2017 as part of a global multicentre prospective observational study (the INORMUS Study). RESULTS: Of 8,389 patients recruited (mean age 56.3 years; 51.5% male), hip fracture was the most common fracture (22.2%), then spine (16.9%), foot (13.1%), and tibia (10.4%). Falls were the most common injury mechanism (64.1%), followed by transport (22.0%). Most injuries occurred on the street (41.9%) or at home (34.6%). There was variation between hospitals across regions regarding the reasons for delays to care, time to surgery, and antibiotic usage. Around 70% of patients with hip fracture achieved definitive stabilisation of the fracture more than 48 hours from admission in study hospitals in the Western and Northern regions. CONCLUSION: Aligning with global patterns of injury, road traffic injury, falls, and hip fracture are major contributors to the injury burden in China. The significant variations in care identified highlight the need for enhanced and equitable fracture care, including improved community awareness of fracture care, introduction of practices to avoid over-treatment, publication of national guidelines for accelerated surgery and antibiotic prophylaxis, participation of multidisciplinary team, and establishment of a hospital-driven fast-track pathway and an auditing mechanism for quality improvement in fracture care in China.
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) | 0,000 | 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 ».