Notice bibliographique
Résumé
Contexte: À l'échelle mondiale mais particulièrement dans les pays à faible ou moyen revenu, les blessures sont responsables d'une charge de morbidité considérablement élevée. Une étude des données épidémiologiques des blessures peut permettre d'identifier leurs facteurs de risque et de cibler les interventions nécessaires pour améliorer la qualité des soins. Les registres de traumatisme ont été identifiés comme l'outil essentiel pour réduire les taux de décès et d'handicap dûs aux traumatismes.Leur importance est bien reconnu par les pays en développement mais ils sont encore sous-utilisés en raison d'un manque de sensibilisation, de ressources et de fonds. L'objectif de l'étude était d'explorer la faisabilité des registres de traumatisme en en mettant en place dans un hôpital de soins tertiaires, en Inde, et d'estimer l'épidémiologie des blessures. Méthode:L'étude a été menée au sein des urgences de l'hôpital Institut municipal d'éducation et de recherche médicales de Surat (SMIMER )à Surat, en Inde, de juin à août 2018. En ayant l'accord des patients qui se sont présentés aux urgences avec une blessure, leurs données ont été collectées sous la forme papier du registre de traumatisme (TR). Le concept du registre de traumatisme a été développé au sein de la chirurgie globale, au centre universitaire de santé McGill, à Montréal, au Canada. Les informations sur les données démographiques des patients, les événements qui ont causés les blessures, la physiologie liée aux blessures, les données anatomiques et les résultats cliniques ont été enregistrées. Les données ont été entrées dans la version électronique du registre de traumatisme et une analyse a été effectuée. Résultats: Un total de 716 patients ont participés à l'étude. L'âge moyen des patients était de 33 ans, mais la majorité avait un âge compris entre 20 et 25 ans ou entre 30 et 35 ans. 74,16% des patients étaient des hommes. Les accidents de la route (34,64%) et les chutes (29,89%) ont été les cause les plus fréquentes de blessures, suivis des traumatismes contondants (13,41%). Les étudiants (28%) et les chômeurs (17%) ont été les plus fréquemment blessés et une majorité des patients avaient une éducation primaire et secondaire. 39,25% des patients ont été transportés par ambulance, 30,31% sont arrivés en voiture personnelle et 22,35% en transport en commun. Les plaies ouvertes (46%) représentaient la majorité des blessures, suivies des blessures thoraciques (22%) et de la tête (19%). Selon le calcul du score de traumatologie de Kampala (KTS), 1,4% avaient de graves blessures, contre 91,8% de blessures légères. Vingt patients sont décédés à l'hôpital, surtout à cause d'une blessure dûe à une chute ou à un collision de véhicule à moteur. Conclusion: Le registre de traumatisme à été un outil très efficace pour la relève des informations liés aux blessures. En effet, toutes les informations utile pour évaluer le fardeau des traumatismes et l'efficacité des soins offerts aux patients se trouvaient dans un simple formulaire d'une page. L'utilisation continue de ce genre de registre est nécessaire afin d'assurer des donnés de haute qualité et de couvrir adéquatement la population. De plus, un effort de collaboration est requis en Inde pour une mise en œuvre réussie.
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 | 0,020 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».