A meta-analysis to evaluate the prevalence of maxillofacial trauma caused by various etiologies among children and adolescents
Notice bibliographique
Résumé
Aims: Children and adolescents who are affected by trauma may have complications that are more serious and dangerous. Herein, a meta-analysis to evaluate the prevalence of maxillofacial trauma caused by various etiologies according to the geographic regions of the world among children and adolescents was conducted. Materials and Methods: A comprehensive search was performed in four databases of PubMed/MEDLINE, Web of Science, Cochrane Library, and Scopus from January 1, 2006 until July 7, 2021. To evaluate the quality of included articles, an adapted version of the Newcastle-Ottawa scale was used. The prevalence of maxillofacial trauma was estimated by event rates and 95% confidence intervals in relation to etiology and geographic region of study population. Results: Through search in the databases and the electronic sources, 3071 records were identified, and 58 studies were eligible for inclusion in the meta-analysis. A total of 264,433 maxillofacial trauma cases were reported by all included studies. Globally, the overall prevalence of maxillofacial trauma was highest due to Road Traffic Crashes (RTC) (33.8%) followed by falls (20.7%), violence (9.9%), and sports (8.1%) in children/adolescents. The highest prevalence of maxillofacial trauma were observed in African population (48.3%) while trauma due to falls was most prevalent in Asian population (44.1%). Maxillofacial trauma due to violence (27.6%) and sports (13.3%) were highest in North Americans. Conclusion: The findings demonstrate that RTC was the most prevalent etiology of maxillofacial trauma in the world. The prevalent causes of maxillofacial trauma differed between the regions of study population.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».