MétaCan
Menu
Retour à la cohorte
Enregistrement W7117465297 · doi:10.29173/cjen537

Individuals Experiencing Houselessness and Severe Frostbite in Edmonton and Calgary; a three-winter review

2025· article· W7117465297 sur OpenAlexvenueaboutno aff
Domhnall O'Dochartaigh, Christopher Picard, Alex Poole`, Daniel Tiwana, Elaine Hyshka, Alexis Armour, Alexis Mageau, Stacey Middleton, Lisa   Allen, Sean Crooks, MAtthew J Douma, Kathryn Dong, Brian   Whiteside, Monty Ghosh, Heather Briana   Boucher, Jevon Brown, Lindsay Burnett, Michael Zakhary, Jake Hayward, Yvonne Chuka Efegoma, Kimberly Byrnes, Ted Harrigan, Lindsay Robinson, Scott MacLean

Notice bibliographique

RevueCanadian Journal of Emergency Nursing · 2025
Typearticle
Langue
DomaineMedicine
ThématiqueBurn Injury Management and Outcomes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFrostbiteLogistic regressionPopulationEmergency departmentInjury preventionCold injuryPoison control

Résumé

récupéré en direct d'OpenAlex

Background: Edmonton and Calgary are Albertan cities with populations of over 1 million each and experience cold winter temperatures, making frostbite a common emergency departments (ED) presentation. In 2024 the estimated unhoused population was approximately 7000 across both cities. Our primary objective was to assess the frequency and severity of frostbite injuries in individuals experiencing houselessness (IEH) compared to those with housing. Methods: This retrospective study of administrative data assessed patients treated in Edmonton and Calgary with severe frostbite over three winters. Data abstracted include patient characteristics, frostbite grade, and time between injury and ED presentation. Ambient temperatures at injury time were assessed from the Alberta Climate Information Service. IEH was determined via clinician notes. Descriptive analysis and statistical methods were used to compare housing status and the grade of injury and arrival time to the ED. The relationship between homelessness and time of injury to arrival at the hospital was examined using ordinal logistic regression. The dependent variable, Time of Injury to Arrival, was categorized as: <12 hours, 12 to 24 hours, 24 to 48 hours, 48 to 72 hours, and >72 hours. Results: 257 cases of severe frostbite were abstracted. Mean age 42.5 (SD13.7), Sex male 208/257(80.9%). IEH comprised 140/257 (54.5%) of cases and unknown in 40/257(15.6%). Houselessness was a precipitating frostbite factor in 102/257(39.7%). IEH was not found to be a statistically significant predictor of frostbite grade (p = .109); OR = 1.55 (95% CI = 0.910 - 2.67). IEH experienced delays in arrival to the ED (p < .001, OR = 2.90, 95% CI = 1.73 - 4.91). IEH were nearly three times as likely to fall into a higher delay category of arrival time compared to non-IEH. Additionally, among the IEH population in this study, 43.48% of Grade 4, 25.86% of Grade 3, and 34.48% of Grade 2 cases occurred at temperatures warmer than -20 degrees Celsius. Implication and lessons learned: Individuals experiencing houselessness had a threefold increase in the likelihood of delayed frostbite ED presentation. Additionally, a significant proportion of frostbite injuries occurred at temperatures warmer than -20C. This study suggests a need for current cold weather system responses to reexamine opportunities for prevention, proactive care, and the availability of shelter for IEH at temperatures warmer than -20C, which is warmer than many cities cold weather responses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,876
Score d'incertitude au seuil0,247

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,006
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,313
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Emergency NursingMême sujetBurn Injury Management and OutcomesTravaux en français237 207