Spinal cord injury in the context of major motor vehicle collision trauma: a retrospective ecological analysis of global estimates across income groups
Notice bibliographique
Résumé
INTRODUCTION: Road traffic injuries (RTIs) are a leading cause of death globally, especially in low- (LICs) and middle-income countries (LMICs). Despite this burden, post-crash care remains underdeveloped. Many clinical principles of post-crash care focus on spinal cord injury (SCI), yet its incidence is poorly understood. The aim of this study was to describe the incidence of death and non-fatal RTI with a specific focus on SCIs using Global Burden of Disease (GBD) 2019 data. METHODS: A retrospective ecological analysis was conducted using GBD 2019 data for 204 countries and territories (2012-2019). We examined the MVC-related mortality, SCIs, and major non-fatal injuries stratified by income group and sex. Incidence rate ratios (IRRs) were compared across income groups using regression models. SCIs were analysed as a proportion of all non-fatal injuries across income groups. RESULTS: MVC-related mortality incidence rates were significantly lower in high-income (HICs) [IRR 0.79 (95% CI: 0.69-0.91); p = 0.001], UMICs [IRR 0.72 (95% CI 0.63-0.82); p < 0.001], and LMICs [IRR 0.67 (95% CI: 0.59-0.76); p < 0.001] compared with LICs. SCIs accounted for ~ 0.5% of non-fatal injuries, with a significantly higher proportion in LICs (p < 0.001). Males consistently showed higher injury and mortality incidence rates than females. CONCLUSIONS: SCIs from MVCs are relatively rare, but disproportionately affect LICs. Strengthening bystander response, developing context-specific post-crash protocol, and improving prehospital systems may reduce disparities and improve outcomes, especially in resource-limited settings.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».