Incidence des méfaits liés à une consommation de substances sur les hospitalisations pour blessures au Canada, 2010-2020
Bibliographic record
Abstract
Introduction Les blessures demeurent l’une des principales causes de décès et contribuent de manière significative aux hospitalisations chaque année au Canada. La consommation de substances a été associée à une augmentation des blessures intentionnelles et non intentionnelles, conduisant à des hospitalisations. Cette étude analyse les tendances concernant les hospitalisations pour blessures avec diagnostic concomitant de consommation de substances afin de quantifier le fardeau des blessures et de cerner les populations à risque. Méthodologie Nous avons analysé les données de la Base de données sur les congés des patients entre 2010-2011 et 2020-2021 pour obtenir des renseignements cliniques et démographiques sur les congés d’hôpital au Canada. Nous avons utilisé les codes de la CIM-10 afin de repérer les hospitalisations pour blessures associées à un code de diagnostic concomitant de consommation de substances, en fonction de l’intentionnalité de la blessure et du type de substance. Nous avons calculé les taux, proportions, taux par âge et taux standardisés pour l’âge, nous avons quantifié les tendances au moyen de la variation annuelle moyenne en pourcentage et nous avons ventilé les résultats par sexe et par groupe d’âge. Résultats Entre 2010-2011 et 2020-2021, les blessures non intentionnelles ont été en cause dans plus de la moitié des hospitalisations pour blessures associées à une consommation de substances. Les blessures associées à une consommation de substances ont été responsables de 12 % du nombre total d’hospitalisations pour blessures au cours de cette période. Dans l’ensemble, les hospitalisations pour blessures associées à une consommation concomitante de stimulants, d’opioïdes, de cannabinoïdes et d’alcool ont augmenté considérablement chez les hommes et chez les femmes. Les hospitalisations pour blessures non intentionnelles associées à une consommation de substances ont été plus fréquentes plus tard dans la vie, tandis que les hospitalisations pour blessures intentionnelles associées à une consommation de substances ont été plus fréquentes chez les adolescents et les jeunes adultes. Conclusion Ces résultats font ressortir les principaux groupes démographiques affichant des taux élevés d’hospitalisations pour blessures associées à une consommation de substances qui bénéficieraient d’efforts de prévention ciblés.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| 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".