Bibliographic record
Abstract
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.
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 | 0.020 | 0.042 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".