Blessures associées aux jeux gonflables traitées dans des services d'urgence au Canada, 1990-2009
Bibliographic record
Abstract
Introduction Les jeux gonflables, à savoir des structures de jeu alimentées par une soufflerie, ont récemment gagné en popularité. Cette étude visait à décrire l'épidémiologie des blessures liées aux jeux gonflables traitées dans des services d'urgence au Canada. Méthodologie Le Système canadien hospitalier d'information et de recherche en prévention des traumatismes (SCHIRPT) est un système de surveillance des blessures et des intoxications mis en œuvre dans le service d'urgence de 4 hôpitaux généraux et des 11 hôpitaux pour enfants du Canada. Nous avons consulté le SCHIRPT pour trouver des cas de blessures associées aux jeux gonflables commerciaux. Résultats Nous avons recensé 674 cas sur la période de surveillance de 20 ans, et nous avons observé une augmentation annuelle moyenne de 24,6 % (IC à 95 % : 21,6 à 27,7) pendant cette période. Les enfants de 2 à 9 ans étaient le plus fréquemment touchés (59,3/100 000 cas figurant dans le SCHIRPT), et les fractures représentaient 34,5 % des blessures subies. Conclusion Nous avons observé une augmentation marquée, au cours des dernières années, des visites aux services d'urgence pour des blessures associées à des jeux gonflables commerciaux. On pourrait agir sur les mécanismes lésionnels en modifiant la conception des produits et en s'assurant que les entreprises œuvrant dans le domaine resserrent leurs pratiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".