Demographic and clinical profile of an inception cohort of road trauma survivors
Notice bibliographique
Résumé
Abstract Background Road trauma is a major public health concern, often resulting in reduced health-related quality of life and prolonged absenteeism from work even after so-called ‘minor’ injuries that do not result in hospitalization. This manuscript compares pre-injury health, sociodemographic characteristics and injury details between age, sex, and road user categories in a cohort of 1,480 road trauma survivors. Methods This was a prospective observational inception cohort study of road trauma survivors recruited between July 2018 and March 2020 from three trauma centres in British Columbia, Canada. Participants were aged ≥ 16 years and arrived in a participating emergency department within 24 h of involvement in a motor vehicle collision. Data were collected from structured interviews and review of medical records. Results The cohort of 1,480 road trauma survivors included 280 pedestrians, 174 cyclists, 118 motorcyclists, 683 motor vehicle drivers, and 225 passengers. Median age was 40 (IQR = [27, 57]) years; 680 (46%) were female. Males and younger patients were significantly more likely to report better pre-injury physical health. Motorcyclists and cyclists tended to report better physical health and less severe somatic symptoms, whereas pedestrians and motor vehicle drivers reported better mental health. Injury severity and hospital admission rates were higher in pedestrians and motorcyclists and lower in motorists. Upper and lower extremity injuries were most common in pedestrians, cyclists and motorcyclists, whereas neck injuries were most common in motor vehicle drivers and passengers. Conclusions In a large cohort of road trauma survivors, overall injury severity was low. Motorcyclists and pedestrians, but not cyclists, had more severe injuries than motorists. Extremity injuries were more common in vulnerable road users. Future research will investigate one-year recovery outcomes and identify risk factors for poor recovery.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».