Patient-level risk adjustment for outcomes benchmarking of pediatric trauma patients in Low- and Middle-Income Countries
Notice bibliographique
Résumé
Children in low-and middle-income countries (LMICs) are disproportionately affected by trauma, which is a leading cause of pediatric mortality worldwide.In these resourceconstrained environments, understanding the needs and deploying resources appropriately is crucial to enabling better care for trauma victims.In developed countries, sophisticated trauma systems have dramatically improved the efficiency, quality and outcomes of care for injured patients.These systems rely on trauma registries, large datasets that collect information on the epidemiology, mechanisms and processes of trauma care.These data facilitate the development and implementation of quality improvement strategies, and in turn measure their success.This process requires standardised metrics for risk-adjustment according to severity of patient injury as well as availability of human and material resources.However, trauma registry maintenance can be costly, and the metrics available for trauma severity assessment are ill adapted to children in resource-poor environments.Therefore, the objective of this project was to validate a new patient-level risk-adjustment model developed for pediatric trauma mortality-rate benchmarking in LMICs.Prior to undertaking this initiative, it was necessary to gain a better understanding of the obstacles faced while implementing and maintaining a trauma registry in LMICs.Insights were obtained through systematic review of the literature and expert opinion.The factors associated with successful trauma registry deployment were then applied to the Rwanda Injury Registry.This trauma dataset was used for in situ calibration and validation of the pediatric resuscitation and trauma outcomes (PRESTO) model in a low-income country by comparison to other injury severity metrics used in this setting, including the Kampala Trauma Score (KTS) and the Revised Trauma Score (RTS).The PRESTO model was further validated against the Injury FACTORS
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 | 0,004 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».