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 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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».