Hospitalisations pour blessures intentionnelles dans les régions à fort pourcentage de résidents d'identité autochtone, 2004-2005 à 2009-2010
Bibliographic record
Abstract
<sec> <title>Introduction</title> Cette étude décrit les taux d'hospitalisation pour blessures auto-infligées et pour blessures par agression dans les régions à pourcentage relativement élevé de résidents s'identifiant comme membres des Premières nations, Métis ou Inuits, par cause de blessure, par tranche d'âge et par sexe. </sec> <sec> <title>Méthodologie</title> Tous les dossiers de sortie des hôpitaux de soins de courte durée des provinces et territoires du Canada hors Québec ont été tirés de la Base de données sur les congés des patients. Les aires de diffusion où plus de 33 % des résidents ont déclaré appartenir à un groupe autochtone au recensement de 2006 ont été classées comme « régions à fort pourcentage d'Autochtones ». </sec> <sec> <title>Résultats</title> Dans l'ensemble, dans les régions à fort pourcentage d'Autochtones, les taux d'hospitalisation normalisés selon l'âge (THNA) pour blessures auto-infligées étaient plus élevés chez les femmes, tandis que les THNA pour blessures par agression étaient plus élevés chez les hommes. Comparativement aux résidents des régions à faible pourcentage d'Autochtones, les résidents des régions à fort pourcentage d'Autochtones étaient au moins trois fois plus susceptibles d'avoir été hospitalisés pour blessures auto-infligées et au moins cinq fois plus susceptibles d'avoir été hospitalisés pour blessures par agression. </sec> <sec> <title>Conclusion</title> Les recherches à venir devraient analyser les comorbidités et les conditions socioéconomiques ainsi que les comportements à risque individuels comme facteurs associés à l'hospitalisation pour blessures auto-infligées. </sec>
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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 teacher head, 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".