Differences in prevalence of pre-existing morbility between injured and non-injured populations
Notice bibliographique
Résumé
Objectives To identify and examine differences in pre-existing morbidity between injured and non-injured population-based cohorts. Methods Administrative health data from Manitoba, Canada, were used to select a population-based cohort of injured people and a sample of non-injured people matched on age, gender, aboriginal status and geographical location of residence at the date of injury. All individuals aged 18-64 years who had been hospitalized between 1988 and 1991 for injury (International Classification of Diseases, Ninth Edition, Clinical Modification (ICD-9-CM) code 800-995) (n = 21032), were identified from the Manitoba discharge database. The matched non-injured comparison group comprised individuals randomly selected 1: 1 from the Manitoba population registry. Morbidity data for the 12 months prior to the date of the injury were obtained by linking the two cohorts with all hospital discharge records and physician claims. Results Compared to the non-injured group, injured people had higher Charlson Comorbidity Index scores, 1.9 times higher rates of hospital admissions and 1.7 times higher rates of physician claims in the year prior to the injury. Injured people had a rate of admissions to hospital for a mental health disorder 9.3 times higher, and physician claims for a mental health disorder 3.5 times higher, than that of non-injured people. These differences were all statistically significant (P < 0.001). Conclusion Injured people were shown to differ from the general non-injured population in terms of pre-existing morbidity. Existing population estimates of the attributable burden of injury that are obtained by extrapolating from observed outcomes in samples of injured cases may overestimate the magnitude of the problem.
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 | 0,001 |
| Communication savante | 0,000 | 0,008 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».