Come la tua visita al pronto soccorso diventa dato NEISS: una guida per i ricercatori al database NEISS

Pubblicato il 20 giugno 2026 | Ultimo aggiornamento il 10 settembre 2026

Ogni anno, circa 400,000 cartelle cliniche relative a infortuni lasciano i pronto soccorso degli ospedali americani e finiscono in un file di dati pubblico che chiunque può scaricare gratuitamente. Questo file è il database NEISS , il National Electronic Injury Surveillance System, gestito dalla US Consumer Product Safety Commission (CPSC) dal 1972. Se siete stati curati per un infortunio correlato a un prodotto in uno degli ospedali campionati, è probabile che una versione anonimizzata della vostra visita sia presente in questo database, ridotta a circa venti campi codificati e una frase di testo libero.

Questo articolo segue un singolo infortunio in ogni suo aspetto: dalla cartella clinica redatta da un medico alle 2 del mattino, al codificatore che la traduce, al peso che la rapporta a un valore nazionale, fino alla riga di dati scaricata da un ricercatore un anno dopo. Corregge inoltre l'equivoco più dannoso relativo a questo set di dati, ovvero che utilizzi i codici ICD-10. Non è così, e uno studio basato su tale presupposto è destinato al fallimento fin dall'inizio.

Punti chiave

• Un campione probabilistico stratificato di 100 ospedali da un campione di 4,723 pronto soccorso statunitensi idonei. Non tutti presentano un rapporto ogni anno: 96 lo hanno fatto nel 2023, 77 su 100 su 2024.
• Raccoglie quasi 400,000 casi relativi ai prodotti ogni annoSi tratta di un record, non di una cifra nazionale.
• NEISS fa non è un Utilizzare ICD-10-CM o ICD-10-PCS. Si basa su set di codici interni chiusi: 26 codici per parti del corpo, 30 codici diagnostici, codici prodotto a quattro cifre, fino a tre per caso.
• Ogni caso comporta un Weight; il file viene spedito anche Stratum and PSUTutti e tre sono necessari per una stima difendibile e un errore standard corretto.
• I file sono disponibili gratuitamente e ad uso pubblico per gli anni di trattamento dal 2006 al 2025. Il sistema è in fase di ricostruzione e la versione modernizzata della CPSC dovrebbe essere pienamente operativa entro l'inizio del 2027.

Cos'è realmente il database NEISS

La CPSC definisce NEISS il suo "sistema di raccolta dati e sorveglianza retrospettiva più ampio e dinamico". Il suo scopo è consentire agli analisti della CPSC di effettuare stime nazionali tempestive sugli infortuni associati (ma non necessariamente causati) a specifici prodotti di consumo. Questa precisazione tra parentesi è la formulazione stessa della CPSC nelle FAQ ufficiali di NEISS , ed è la frase più importante della pagina. Il database NEISS stabilisce un'associazione, non una causalità, e nessuna sofisticazione statistica applicata successivamente può convertire l'una nell'altra.

Il campione è composto da 100 ospedali selezionati da un elenco del 2020 di 4,723 pronto soccorso idonei, che rappresentano 155,707,175 accessi annuali al pronto soccorso. I criteri di ammissibilità all'elenco prevedono la presenza di una sede negli Stati Uniti, almeno sei posti letto per degenza e un pronto soccorso attivo 24 ore su 24. I cinque strati sono costituiti da quattro fasce di dimensioni del pronto soccorso più uno strato dedicato agli ospedali pediatrici.

falda	Visite annuali al pronto soccorso	Ospedali campionati	Ospedali in struttura
Piccolo	1 a 33,280	43	2,984
Medio	33,281 a 56,995	26	860
Grande	56,996 a 92,195	12	528
Molto largo	92,196 e versioni successive	11	286
Ospedali pediatrici	designazione per bambini	8	65
Totale		100	4,723

Fonte: Dichiarazione a supporto della raccolta di informazioni da parte della CPSC, Parte B (presentazione all'OMB). Preparato da Editverse.

Due considerazioni ne conseguono. Il campione è esattamente di 100, non "oltre 100", come lo descrivono la maggior parte delle fonti secondarie. Inoltre, il numero di ospedali che effettivamente forniscono dati varia: 96 nel 2019, 96 nel 2023 e 77 su 100 nel 2024. I pesi vengono utilizzati per tenere conto della mancata risposta, ma uno studio che confronta il 2019 con il 2024 mette a confronto periodi con basi di segnalazione sostanzialmente diverse, e un revisore che conosce il sistema lo chiederà. Il nostro articolo correlato sull'affidabilità delle statistiche NEISS sugli infortuni analizza in dettaglio come questo influisca sulla stima della stabilità.

Correggiamo subito un'altra distinzione. Il database NEISS ha dei sottosistemi che si basano su diversi sottoinsiemi di ospedali e definizioni di caso: NEISS-AIP (tutti gli infortuni, con CDC, dal 2000), NEISS-Work (infortuni sul lavoro, con NIOSH, circa 67 pronto soccorso), NEISS-CADES (eventi avversi da farmaci, 60 pronto soccorso dal 2017 al 2019) e NEISS-FISS (lesioni da arma da fuoco). Citare un tasso NEISS-Work come dato "NEISS" è un errore di fatto, anche quando il documento di base è impeccabile.

Fase 1: Cosa viene rilevato in ospedale

Una persona cade da un monopattino elettrico, arriva al pronto soccorso di un ospedale selezionato e viene curata per una frattura al polso. La cartella clinica relativa a quella visita è completa: nota di triage, esame obiettivo, esami di diagnostica per immagini, istruzioni per la dimissione. Quasi nessuna di queste informazioni viene inserita nel database NEISS.

Ciò che arriva al database NEISS è ciò che un addetto qualificato estrae dalla cartella clinica e inserisce in una struttura fissa. Con il vecchio sistema, si tratta di un'estrazione manuale dei dati dalle cartelle cliniche, non di un flusso automatico dalla cartella clinica elettronica, che è esattamente ciò che la modernizzazione del CPSC intende sostituire. L'addetto risponde a una serie di domande a risposta chiusa, quindi scrive una breve frase che descrive l'evento.

L'elenco completo delle variabili di pubblico dominio è abbastanza breve da poter essere stampato: CPSC_Case_Number, Treatment_Date, Age, Sex, Race, Other_Race, Hispanic, Body_Part, Body_Part_2, Diagnosis, Diagnosis_2, Other_Diagnosis, Other_Diagnosis_2, Disposition, Location, Fire_Involvement, Alcohol, Drug, Product_1, Product_2, Product_3, Narrative, Stratum, PSU, WeightQuesto è tutto il resoconto. Non è possibile fornire qui risposte a domande relative a comorbilità, costi, durata del ricovero, risultati di esami di diagnostica per immagini o esiti post-dimissione.

Un dettaglio in particolare cattura l'attenzione di quasi tutti i nuovi utenti: Age non è un semplice numero intero. 0 significa età non registrata, 2 a 120 sono anni, e 201 a 223 hanno un'età compresa tra 1 e 23 anni meseSe si legge la colonna ingenuamente, si crea una coorte di età compresa tra 201 e 223 anni, che supera ogni controllo di sintassi e invalida ogni stima stratificata per età che si produce.

Fase 2: Codifica e perché il database NEISS non utilizza l'ICD-10

Questa è la sezione più importante, ed è qui che la versione precedente di questo articolo conteneva un errore. Affermava che i codificatori NEISS classificano le lesioni utilizzando l'ICD-10-CM/PCS. Questo è falso. Vale la pena essere chiari sulle conseguenze: un ricercatore che pianifica un'analisi NEISS basata sull'ICD-10 scopre, a metà del progetto, che la variabile non esiste.

Il database NEISS utilizza set di codici interni chiusi gestiti dalla CPSC. Ogni valore consentito è elencato nel Dizionario dei dati NEISS e le regole per la loro applicazione sono contenute nel Manuale di codifica NEISS.

• Parte del corpo: un codice a due cifre con 26 valori correnti, ad esempio 30 Spalla, 34 Polso, 35 Ginocchio, 75 Testa, 77 Bulbo oculare, 82 Mano, 92 Dito, 94 Orecchio. Quattro codici obsoleti (78, 86, 90, 91) sono contrassegnati come “(Vecchio)” e richiedono una gestione specifica in sequenze lunghe.
• Diagnosi: un codice a due cifre con 30 valori, ad esempio 52 Commozione cerebrale, 57 Frattura, 59 Lacerazione, 63 Puntura, 64 Stiramento/Distorsione, 68 Avvelenamento, 71 Altro/Non specificato. Quando la diagnosi è 71, il testo libero Other_Diagnosis il campo contiene ciò che intendeva il programmatore.
• Prodotto: un codice CPSC a quattro cifre senza equivalente esterno, fino a tre per caso, slot non utilizzati riempiti 0000.
• Fornitura: sette valori, di cui 1 trattato e dimesso, 4 trattati e ricoverati e 8 decessi. Località: nove valori, da 1 Casa a 9 Luogo di svago o sport.

Questo è l'intero vocabolario clinico. Trenta codici diagnostici non sono molti: nessuna lateralità, nessuna scala di gravità, nessuna gerarchia delle cause esterne, nessuna codifica delle procedure. Se la tua domanda richiede qualcuna di queste informazioni, NEISS non è il dataset adatto, e la scelta corretta fin dall'inizio è proprio lo scopo della nostra guida su quale database sanitario utilizzare per il tuo studio . Il sistema che utilizza ICD-10-CM/PCS è NEDS, che verrà confrontato più avanti in questo articolo.

Anche i set di codici si spostano. La CPSC mantiene un Tabella di comparabilità dei codici prodotto Documentazione di ogni codice prodotto unito, suddiviso, eliminato o riattivato dal 1972. I cavatappi (0416) sono stati eliminati nel 1983, ripristinati nel 1994, eliminati di nuovo nel 1995, ripristinati nel maggio 2000. Le seghe elettriche fisse (0825) sono state suddivise in 0841-0845 a partire dal 1974. Se si interroga un codice su due decenni senza questa tabella, si pubblicherà un andamento artefatto. Diverse colonne hanno anche date di inizio precise: Body_Part_2, Diagnosis_2, Product_3, Hispanic, Alcohol and Drug esistono solo dal 2019 e Sex = 3 solo dal 2021. Qualsiasi serie che attraversa il 2018 e il 2019 o il 2020 e il 2021 contiene un'interruzione strutturale. Per come un codificatore sceglie tra due codici plausibili, vedere come vengono assegnati i codici prodotto e di diagnosi NEISS.

Fase 3: La narrazione di 400 caratteri che rende unico il database NEISS

Dopo i campi codificati, ecco il motivo per cui molti ricercatori scelgono il database NEISS rispetto a database più grandi: Narrative, una descrizione in formato testo libero dell'evento, con un limite massimo di 400 caratteri.

Il manuale di codifica è prescrittivo. La descrizione deve iniziare con un'abbreviazione di età e sesso ("25YOM", "19MOF"), utilizzare la maiuscola solo per la prima lettera e l'ortografia corretta, indicare il prodotto specifico, riportare la diagnosi clinica alla fine preceduta da "DX:", registrare il tasso alcolemico a tre cifre ("BAC 080") e non contenere informazioni identificative. Un esempio reale recita: 28YOF alla guida di un monopattino elettrico ha urtato un marciapiede ed è caduta sulla mano tesa. DX: frattura del polso.

Quattrocento caratteri scritti sotto pressione temporale rappresentano uno strumento inadeguato. È anche l'unico strumento all'interno del sistema federale di sorveglianza degli infortuni in cui le circostanze di un infortunio vengono registrate su scala nazionale. Il NEDS non ha nulla di simile. È proprio grazie a questo singolo campo che sono stati possibili i seguenti studi:

• Shields e colleghi hanno analizzato le testimonianze relative a incidenti con pentole a pressione dal 2003 al 2019 per classificare i fattori scatenanti in quattro categorie non codificate: agente ustionante, impatto con il prodotto, lesioni durante l'apertura, altro. Da 759 casi reali hanno ricavato una stima nazionale di 28,337 infortuni (IC 95% da 24,588 a 32,086), circa 1,667 all'anno.⁹
• Dell e colleghi hanno identificato la probabile condizione di senzatetto nei registri delle armi da fuoco NEISS-FISS basandosi esclusivamente sulla narrazione anonimizzata, nello 0.10% dei casi (n = 3,225), con l'aggressione come meccanismo nell'82.64%. NEISS non dispone di una variabile relativa alla situazione abitativa; la narrazione ne ha fornita una.¹⁷
• Parker ha applicato l'elaborazione del linguaggio naturale a 59,025 narrazioni non ponderate di spari dal 1993 al 2015, cambiando il quadro nazionale. Le stime precedenti indicavano la casa come luogo più frequente con il 23.4%, seguita da strada o autostrada con il 22.9%; dopo la classificazione tramite elaborazione del linguaggio naturale, strada o autostrada è risultata la più frequente con il 46.1%, mentre la casa è risultata la più frequente con il 37.7%.⁵
• Omaki e colleghi hanno codificato manualmente 4,546 narrazioni per addestrare un modello, lo hanno applicato a 91,325 casi codificati di cadute in bambini di età inferiore ai cinque anni e hanno scoperto che i neonati cadevano dal letto nel 33% dei casi di lesioni da caduta.⁶
• Chen e colleghi hanno dimostrato che il costo del lavoro è gestibile: uno strumento interattivo di apprendimento automatico ha ridotto i tempi di classificazione di decine di migliaia di descrizioni di lesioni cerebrali traumatiche da giorni a minuti, dopo circa 60 minuti di addestramento.¹⁹

Il lavoro narrativo è una scelta di progettazione, non un ripensamento. Se la tua domanda richiede dettagli contestuali, ti impegni a una revisione manuale o a un classificatore più un sottocampione di validazione, e questo va incluso nel protocollo. Il nostro articolo sul campo narrativo in testo libero approfondisce la strategia di estrazione.

Fase 4: Il peso che trasforma un record in una stima nazionale

È qui che la maggior parte degli articoli NEISS hanno successo o falliscono.

Poiché il database NEISS è un campione probabilistico, ogni caso ha un peso statistico. La formulazione stessa della CPSC afferma che le stime nazionali "sono derivate dalla somma dei pesi statistici per i casi di infortunio appropriati". Il peso non è una costante. È l'inverso della probabilità di selezione dell'ospedale all'interno del suo strato, corretto per la mancata risposta e per le fusioni ospedaliere. Schroeder e Ault lo definiscono come segue:

NEISSwt = (N_h x n'_h) / (n_h x r_h)

dove, all'interno dello strato h : N sono gli ospedali presenti nel quadro di riferimento, n sono gli ospedali selezionati, n' sono gli ospedali inclusi nell'ambito di applicazione, r sono gli ospedali partecipanti. Pertanto, un record proveniente da un ospedale di un piccolo strato può avere un peso molto maggiore rispetto a uno proveniente da un pronto soccorso molto grande. Il conteggio delle righe NEISS non ponderato non è quindi una versione ridotta del dato nazionale. Si tratta di una quantità diversa con una forma diversa.

Due cifre chiariscono il punto, e la versione precedente di questo articolo le confondeva. La cifra relativa ai casi raccolti è quella della CPSC stessa: "quasi 400,000 casi correlati ai prodotti" all'anno. La stima ponderata a livello nazionale è di un ordine di grandezza diverso; la cifra più recente pubblicata dalla CPSC per tutti i prodotti è di 10,994,000 lesioni correlate a prodotti di consumo trattate al pronto soccorso per l'anno solare 2020, con due precisazioni: il 2020 è stato un anno di pandemia con volumi di pronto soccorso ridotti, e la CPSC non pubblica abitualmente un unico totale deduplicato per tutti i prodotti.

Il motivo per cui si evita di raggiungere quel totale è illuminante. Ogni comunicato stampa sui dati salienti afferma che "il sistema di dati consente la segnalazione di un massimo di tre prodotti per ogni infortunio, quindi l'infortunio di una persona può essere conteggiato in tre gruppi di prodotti". Sommando le categorie pubblicate, si finisce per contare due o tre volte le persone. Le stime per categoria singola del 2024 sono attendibili: scale, rampe, pianerottoli e pavimenti a 3,101,789; letti, materassi e cuscini a 1,114,811; sedie, divani e divani letto a 756,953; sanitari per il bagno a 658,680; attrezzature per il fitness a 564,845.

Le variabili di progettazione vengono spedite nel file pubblico come Stratum, PSU (l'ospedale campionato) e Weight, o Wt nel file SAS. L'applicazione del peso senza dichiarare gli strati e i cluster fornisce una stima puntuale difendibile associata a un errore standard che di solito è troppo piccolo, quindi gli intervalli risultano troppo ristretti e i valori p troppo generosi. Durand e colleghi hanno utilizzato lo stesso NEISS come caso di studio e hanno riferito che "in quasi tutti i casi, gli approcci corretti per il disegno dello studio contrastavano profondamente con le tecniche statistiche standard".⁴ Se non avete mai visto quanto un progetto possa influenzare un risultato, la dimostrazione più chiara su questo sito è cosa è successo quando abbiamo eseguito la stessa analisi NHANES in tre modiPer la teoria del campionamento alla base dei pesi NEISS nello specifico, vedere come NEISS pondera un campione per calibrare una stima nazionale.

La CPSC pubblica anche regole di segnalazione che vale la pena di replicare. La varianza viene riportata come coefficiente di variazione, CV è pari alla radice quadrata della varianza divisa per la stima; l'intervallo del 95% è pari alla stima più o meno (1.96 x stima x CV); e la CPSC considera una stima instabile e non la segnala quando la stima è inferiore a 1,200, il numero di casi che contribuiscono è inferiore a 20 o il CV supera il 33%.

Passaggio 5: Rilascio e modalità di download dei file del database NEISS

I dati vengono convalidati, ponderati e pubblicati annualmente. La CPSC afferma che i dati relativi all'anno solare più recente, riguardanti le date di trattamento, sono generalmente disponibili ad aprile dell'anno successivo. In pratica, la tempistica non è sempre precisa: i dati relativi al 2025 sono stati resi disponibili il 7 maggio 2026. È consigliabile prevedere "circa un anno più qualche mese", non le finestre di elaborazione di 72 ore o di due-quattro settimane, spesso inventate e diffuse sui siti web che trattano questo set di dati.

Ottenere i dati è davvero facile. Nessuna domanda, nessun accordo sull'utilizzo dei dati, nessun costo:

• Strumento di creazione query e portale di download per i preventivi NEISS, con file annuali per gli anni di trattamento dal 2006 al 2025 in formato Excel, testo delimitato da tabulazioni e SAS.
• La spiegazione della CPSC su come vengono elaborate le sue stime., comprese le norme relative al CV e alla segnalabilità di cui sopra.
• Descrizione del programma NEISS da parte della CPSCutile per l'introduzione di una sezione sui metodi.

Un'avvertenza che la CPSC dichiara esplicitamente, e che dovrebbe essere inclusa nel paragrafo relativo alle limitazioni, è la seguente: le stime generate da un utente tramite il sito web "potrebbero differire dalle pubblicazioni della CPSC a causa di differenze analitiche nell'elaborazione dei dati". È opportuno specificarlo chiaramente, anziché lasciare che un revisore lo scopra. Una guida dettagliata sul download e sulla struttura dei file è disponibile nella sezione " Come ottenere i file di dati NEISS".

Esempio pratico corretto: Dalle righe del database NEISS a una stima nazionale

La versione precedente di questo articolo includeva uno snippet Stata utilizzando discwt and hosp_edQuesti sono nomi di variabili HCUP/NEDS; non esistono in un file NEISS e il codice non poteva essere eseguito. Ecco la versione corretta.

* ---- Stata: NEISS public-use file, one treatment year ----
* Design variables ship in the file: Stratum, PSU, Weight

* 1. Declare the design ONCE. Everything downstream depends on this line.
svyset PSU [pweight=Weight], strata(Stratum) singleunit(certainty)

* 2. Age is not a plain integer.
*    0 = not recorded; 2-120 = years; 201-223 = 1-23 MONTHS.
gen byte infant  = inrange(Age, 201, 223)
gen double age_y = .
replace    age_y = Age             if inrange(Age, 2, 120)
replace    age_y = (Age - 200)/12  if infant

* 3. Case definition. Product codes are four digits, up to THREE per case,
*    so check all three slots. Replace 1234 with your product code.
gen byte casedef = inlist(1234, Product_1, Product_2, Product_3)

* 4. Unweighted case count. This is NOT a national number.
*    Report it anyway; reviewers expect both.
count if casedef == 1

* 5. Weighted national estimate with a design-based standard error.
svy: total casedef

* 6. Subgroup estimate, domain-restricted. Do NOT drop rows first;
*    that breaks the variance estimation.
svy, subpop(if age_y < 18): total casedef

* 7. Apply CPSC's reportability rules to whatever comes back:
*    suppress if estimate < 1200, unweighted cases < 20, or CV > 33%.
estat cv

Lo stesso progetto in R con il survey pacchetto:

library(survey)

neiss_design <- svydesign(
  id      = ~PSU,        # primary sampling unit = the sampled hospital
  strata  = ~Stratum,    # four ED-size strata + children's hospital stratum
  weights = ~Weight,     # CPSC statistical weight
  data    = neiss,
  nest    = TRUE         # PSU ids are nested within strata
)

# National estimate of fractures (NEISS diagnosis code 57):
svytotal(~I(Diagnosis == 57), neiss_design)

# Then CV = SE / estimate. Suppress if estimate < 1200,
# contributing cases < 20, or CV > 33%.

In SAS l'equivalente è PROC SURVEYMEANS or PROC SURVEYFREQ con STRATA Stratum; CLUSTER PSU; WEIGHT Wt;.

Due abitudini distinguono le analisi NEISS pubblicabili da quelle rifiutate. Riportare sempre il numero di casi non ponderati accanto alla stima ponderata: l'esempio più chiaro e recente è l'articolo sul pickleball pubblicato su JAMA Ophthalmology, che riporta una stima di 3,112 lesioni oculari derivata da 73 casi non ponderati, con una tendenza di regressione ponderata per il sondaggio di 405 casi aggiuntivi all'anno (IC 95% da 288 a 522, P = 0.004). ¹⁰ Un lettore si rende subito conto di quanto siano esigui i dati sottostanti. E selezionare i sottoinsiemi con un'opzione di sottopopolazione piuttosto che eliminando le righe, perché l'eliminazione delle righe rimuove le informazioni di cui lo stimatore della varianza ha bisogno sull'intero disegno dello studio. Per verificare la plausibilità di un tasso derivato, il nostro calcolatore gratuito del tasso di incidenza si occupa dei calcoli.

A quali domande hanno risposto i ricercatori utilizzando il database NEISS.

^{Una revisione esplorativa condotta dal CDC ha esaminato 6,944 citazioni e identificato 167 articoli sottoposti a} revisione paritaria che utilizzavano NEISS-AIP come fonte di dati primaria tra il 2001 e il 2021, con una media di 8.0 articoli all'anno su 72 riviste.3 Questo è solo il sottoinsieme NEISS-AIP; la letteratura NEISS più ampia è considerevolmente maggiore. Studi recenti mostrano dove il sistema è più efficace.

Micromobilità. Neuroth e colleghi hanno stimato 60,554 infortuni da monopattino elettrico trattati nei pronto soccorso statunitensi dal 2015 al 2019 (IC 95% 37,525-84,594), circa il 19% dei quali coinvolgeva un veicolo a motore; questi sono stati ricoverati più spesso (14.6% contro 8.8%, p < 0.01). ¹² Akomaning e colleghi, da 4,020 registrazioni non ponderate di monopattini elettrici e biciclette elettriche, hanno riportato una stima ponderata di 279,990 visite per monopattini elettrici e un aumento di circa tre volte da 22,835 nel 2019 a 65,892 nel 2022, con i maschi a 2.61 volte le probabilità di coinvolgimento dell'alcol (IC 95% 1.84-3.69). ¹³

Lesioni da batterie agli ioni di litio. La versione precedente di questo articolo riportava due cifre contraddittorie, 37% e +142%, nessuna delle quali con fonte. Ciò che è effettivamente pubblicato: gli autori della FDA che hanno analizzato i dati NEISS dal 2020 al 2024 hanno stimato 2,043 accessi al pronto soccorso (IC 95% da 1,326 a 2,760) per esplosioni e ustioni da batterie di sistemi elettronici di somministrazione di nicotina, derivati ​​da 52 casi non ponderati, con il 26.3% che ha richiesto il ricovero. ¹¹ Si noti la forma: pochi record, un ampio intervallo, un tasso di ricovero insolitamente elevato. Un'analisi legittima e una buona illustrazione di quanto possa essere limitato il NEISS per un rischio emergente.

Lesioni pediatriche. Xiao e colleghi hanno esaminato 20 anni di corpi estranei esofagei pediatrici: 52,315 casi non ponderati che producono una stima nazionale di 1,589,325, con monete al 37.6% e batterie al 6.8%, e un'incidenza in aumento da 7.3 a 14.2 per 10,000 bambini (p < 0.0001). ¹⁴ Il database NEISS risponde a questa domanda meglio di qualsiasi altra fonte disponibile, perché il prodotto è l'esposizione e il prodotto è codificato.

Cadute. Hammig e Haldeman hanno stimato 687,902 accessi al pronto soccorso per cadute dalle scale tra persone di età compresa tra 15 e 64 anni solo nel 2019, con l'intossicazione da alcol associata a una maggiore prevalenza di lesioni cerebrali traumatiche (rapporto di prevalenza 2.7, IC 95% da 2.3 a 3.1). ¹⁵

Lesioni da arma da fuoco e la trappola del sottosistema. Bhagavathula e colleghi, utilizzando NEISS-FISS dal 2000 al 2021, hanno stimato 2.36 milioni di lesioni non mortali da arma da fuoco tra gli adulti in età lavorativa negli Stati Uniti, di cui l'85.7% erano maschi. ¹⁶ Accanto a ciò si trova il miglior riepilogo disponibile su quando scegliere quale database: Carpenito e colleghi affermano che HCUP-NEDS "fornisce dati accurati sul numero di lesioni non mortali da arma da fuoco, [ma] l'intento della lesione non è codificato in modo affidabile", mentre NEISS-FISS codifica in modo affidabile l'intento ma "è troppo piccolo per produrre stime stabili del numero di questi eventi". ⁷

Danni da farmaci. L'analisi NEISS-CADES pubblicata su JAMA è degna di essere letta come modello di presentazione. Da 96,925 casi in 60 pronto soccorso, gli autori hanno stimato 6.1 visite per danni da farmaci ogni 1,000 abitanti all'anno (IC 95% da 4.8 a 7.5), di cui il 38.6% (IC 95% da 35.2 a 41.9) ha comportato il ricovero ospedaliero. ⁸ Ogni stima è accompagnata da un intervallo; vengono indicati sia il numero di pronto soccorso partecipanti che il numero di casi. Questo è lo standard.

Cosa non può fare il database NEISS

Un post che si limita a vendere un dataset non è utile. Se uno qualsiasi dei seguenti elementi è fondamentale per la tua domanda, scegli qualcos'altro.

1. Solo lesioni trattate al pronto soccorso. Gli infortuni trattati nei centri di pronto soccorso, negli ambulatori medici, a casa o non trattati affatto rimangono invisibili, così come i decessi che non raggiungono mai il pronto soccorso.
2. Nessun follow-up longitudinale. Ogni record corrisponde a una singola visita. Non contiene identificativi del paziente, informazioni su riammissioni, esiti post-dimissione o costi. Guarigione, recidive ed esiti a lungo termine non sono inclusi nel sistema.
3. Nessuna stima a livello statale, di contea o metropolitano. Nella revisione sistematica condotta dal CDC su 167 articoli relativi al sistema NEISS-AIP, la limitazione più comunemente identificata dagli autori (n = 38) è stata che il sistema produce solo stime a livello nazionale.³ La versione precedente di questo articolo conteneva una tabella con i risultati delle politiche a livello statale per l'Arizona e l'Ohio. Non esistono stime di questo tipo per i singoli stati, pertanto la tabella è stata rimossa.
4. Vere e proprie lacune geografiche. Secondo il vecchio modello, 14 stati non avevano ospedali partecipanti, con Alaska, Hawaii, la regione delle Montagne Rocciose e le regioni settentrionali sottorappresentate.
5. Instabilità delle piccole cellule. Con circa 100 ospedali, le esposizioni rare producono pochissimi casi non ponderati. Se non sei sicuro che un sottogruppo possa supportare una stima, calcolalo prima dell'estrazione utilizzando il nostro Linee guida su potenza statistica e dimensione del campione.
6. Associazione, mai causalità. Un codice prodotto indica che il prodotto era presente, non che abbia causato il danno.
7. Alcuni record non sono infortuni. Una validazione del collegamento dei dati presso un ospedale pediatrico NEISS ha rilevato che il 13.32% dei casi campionati (385 su 2,890) non erano lesioni secondo la diagnosi ICD-9-CM presente nella stessa cartella clinica; tra le lesioni effettive, la concordanza era kappa 0.87 (IC 95% da 0.85 a 0.88). Gli autori concludono che la prassi migliore "dovrebbe includere la revisione manuale delle narrazioni dei casi".¹
8. L'accuratezza della codifica non è un singolo valore numerico. Trattate con sospetto qualsiasi pagina che citi una singola percentuale di accuratezza NEISS; la versione precedente di questo articolo ne citava sette, e tutte e sette sono state eliminate. Oltre ai risultati di validazione sopra riportati, l'unico dato circoscritto disponibile è una valutazione del CDC che riporta come oltre il 99% delle variabili relative a causa e intento nei dati NEISS-AIP sulla violenza autodiretta per il 2018 siano state codificate in modo coerente con la descrizione del grafico.¹⁸ Si tratta di coerenza interna per due variabili, un sottosistema, un anno. Non è un tasso di accuratezza a livello di sistema.
9. Le modifiche al sistema interrompono le serie temporali. Le aggiunte variabili del 2019 e del 2021, la cronologia dei codici prodotto e il numero variabile di ospedali che effettuano la segnalazione significano che una linea di tendenza ventennale ingenua è un'affermazione che devi difendere, non un fatto che puoi tracciare. Il nostro post su i pregiudizi intrinseci al campionamento NEISS copre gli aspetti che la revisione paritaria ha maggiori probabilità di sollevare.

Alcuni degli elementi omessi da NEISS appartengono ad altri sistemi, non a nessuno in particolare. I dispositivi medici impiantabili e le pompe per infusione rientrano nella giurisdizione della FDA (MAUDE), non della CPSC (Consumer Product Safety Commission), e questo è un aspetto importante da considerare nella scelta di un database per l'analisi dei guasti dei dispositivi.

NEISS contro NEDS: come scegliere tra i due?

Questi due termini vengono costantemente confusi, anche nella versione precedente di questo articolo. In realtà sono complementari, non concorrenti.

	NEISS	NECESSITÀ
Sponsor	Commissione per la sicurezza dei prodotti dei consumatori degli Stati Uniti	AHRQ, tramite HCUP
Primo anno di dati	1972 (design moderno del 1978)	2006
Obbiettivo	Infortuni associati a prodotti di consumo, oltre a tutti gli infortuni, infortuni sul lavoro, infortuni da arma da fuoco e reazioni avverse ai farmaci.	Tutte le visite al pronto soccorso di proprietà dell'ospedale, per qualsiasi causa
Misura di prova	100 ospedali (da 77 a 96 hanno fornito dati negli ultimi anni)	995 pronto soccorso di proprietà ospedaliera (2020)
Volume non ponderato	Circa 400,000 casi relativi ai prodotti all'anno	28,037,034 accessi al pronto soccorso (2020)
codifica	Codici interni NEISS: parte del corpo, diagnosi, prodotto, destinazione, localizzazione	ICD-10-CM/PCS (ICD-9-CM prima di ottobre 2015)
Testo narrativo	Sì, 400 caratteri	Nodo
Identificazione prodotto	Sì, fino a tre codici a quattro cifre per caso	Nodo
Base geografica	Campione probabilistico nazionale; 14 stati non avevano ospedali secondo il vecchio modello	41 stati più il Distretto di Columbia, che rappresentano l'85.0% della popolazione statunitense.
Costo	File ad uso pubblico gratuiti	Acquistato tramite il distributore centrale HCUP
Ideale per	Domande relative al prodotto e al meccanismo d'azione; dettagli sulle circostanze ricavati dalle narrazioni; individuazione precoce dei pericoli emergenti	Questioni relative a volume, costi, pagatori, comorbilità, esito e gravità clinica su larga scala

Fonti: documentazione CPSC NEISS; panoramica AHRQ HCUP NEDS e introduzione 2020. Elaborato da Editverse.

In breve: se l'esposizione riguarda un prodotto o un meccanismo, utilizzare il database NEISS. Se l'esito riguarda il costo, il pagatore, il carico di comorbilità o la gravità clinica, prevedere nel budget NEDS. Se sono necessari entrambi, includerli nel protocollo anziché scoprirli in seguito.

Il database NEISS è in fase di ricostruzione: cosa significa NEISS-R

Se state pianificando uno studio NEISS nel 2026 o nel 2027, questo è un aspetto imprescindibile. La CPSC ha annunciato un programma di modernizzazione, denominato NEISS-Remodel o NEISS-R, che prevede il passaggio dalla raccolta manuale dei dati dalle cartelle cliniche in circa 70 ospedali a uno scambio elettronico standardizzato di dati che coprirà tutti i 50 stati. Il sistema modernizzato "dovrebbe entrare pienamente in vigore all'inizio del 2027".

Tre implicazioni. Specificate l'anno di produzione dei dati utilizzati, perché a breve "dati NEISS" indicherà due diversi meccanismi di raccolta a seconda dell'anno. Aspettatevi una discontinuità, poiché il passaggio dall'estrazione manuale allo scambio elettronico, combinato con una modifica del set di dati ospedalieri, è esattamente ciò che produce un'interruzione in una serie temporale che non ha nulla a che vedere con gli infortuni. E se il vostro studio si estende su questo periodo di transizione, pianificate fin da ora l'analisi di sensibilità. Le linee guida della CPSC avvertono già che "gli utenti dei dati dovrebbero valutare attentamente il probabile impatto degli aggiornamenti di sistema" sui confronti longitudinali; vale la pena leggere direttamente l' annuncio completo della CPSC sulla modernizzazione.

Cinque errori che hanno fatto affondare uno studio basato sul database NEISS

1. Pubblicare un conteggio non ponderato come dato nazionale. L'errore più comune e il più facile da individuare per un revisore. Riportare entrambi i valori.
2. Ponderazione senza dichiarare il progetto. La stima puntuale rimane valida; gli errori standard no.
3. Lettura Age come numero intero. I valori da 201 a 223 rappresentano i mesi. Questo, silenziosamente, compromette ogni analisi pediatrica con cui viene a contatto.
4. Interrogare un codice prodotto nell'arco di due decenni. Consulta prima la tabella di comparabilità. I ​​codici si uniscono, si dividono, scompaiono e ricompaiono.
5. Presupponendo che una variabile esista perché esiste in NEDS. Nessun codice ICD, nessun costo, nessuna comorbilità, nessun ricovero, nessun identificativo statale.

Anche la rendicontazione è importante. Un'analisi NEISS è uno studio osservazionale e i revisori si aspettano che sia redatta in conformità con la checklist STROBE per gli studi osservazionali , con un disegno di campionamento, una definizione del caso e una ponderazione descritti in modo sufficientemente chiaro da consentirne la riproduzione dal file pubblico.

Servizi professionali per uno studio basato sul NEISS

La maggior parte dei progetti NEISS fallisce per uno di questi tre motivi: la domanda di ricerca ha già trovato risposta, le variabili non erano disponibili per tutti gli anni necessari al progetto, oppure il campione analitico non era in grado di supportare la stima una volta ristretto. Tutti e tre questi problemi sono facili da individuare prima dell'estrazione dei dati, ma costosi da scoprire in seguito.

Non esiste un pacchetto specifico per NEISS, perché un progetto NEISS rientra in una delle tre categorie sopra menzionate a seconda della sua portata. Tutto ciò che rientra in questa categoria è elencato sotto " Studi su registri e dati del mondo reale" . Se disponete già dell'estratto e avete bisogno solo di una corretta progettazione del sondaggio, il nostro servizio di sola analisi è la soluzione più rapida.

Conclusione

Una visita al pronto soccorso diventa un dato NEISS attraverso una catena più breve e sbrigativa di quanto la maggior parte dei ricercatori si aspetti. Un addetto specializzato legge la cartella clinica, assegna alcuni codici a due e quattro cifre tratti dai vocabolari chiusi della CPSC, scrive una frase di massimo 400 caratteri e non allega altro. La CPSC pondera il record in base alla probabilità di selezione dell'ospedale all'interno di uno dei cinque strati e, circa un anno dopo, il file viene pubblicato gratuitamente a chiunque lo desideri.

Due fattori rivestono un'importanza quasi totale a livello pratico. Il NEISS non utilizza l'ICD-10, quindi la definizione del caso deve essere costruita e giustificata a partire dai suoi codici specifici e, di solito, dalle descrizioni narrative. Inoltre, i circa 400,000 record raccolti ogni anno non rappresentano un dato nazionale, pertanto la ponderazione e le variabili di progettazione fanno la differenza tra una stima e un conteggio privo di significato. Se si considerano correttamente questi aspetti, si riporta il conteggio non ponderato accanto alla stima ponderata, si applicano le soglie di segnalabilità della CPSC e si è onesti riguardo a ciò a cui il sistema non può rispondere, il database NEISS rimane uno dei set di dati pubblici più utili per la ricerca sugli infortuni.

Domande frequenti sul database NEISS

Il database NEISS utilizza i codici ICD-10?

No. NEISS utilizza set di codici interni chiusi gestiti da CPSC: 26 codici per parti del corpo, 30 codici diagnostici, codici prodotto a quattro cifre con un massimo di tre per caso, oltre a codici di destinazione e localizzazione e una descrizione di 400 caratteri. Ogni valore consentito è elencato nel Dizionario dei dati NEISS. Il database che utilizza ICD-10-CM e ICD-10-PCS è NEDS, Nationwide Emergency Department Sample, un sistema diverso gestito da AHRQ che deve essere acquistato.

Quanti casi contiene ogni anno il database NEISS?

Il rapporto annuale della CPSC per l'anno fiscale 2023 afferma che il NEISS fornisce informazioni su quasi 400,000 casi relativi a prodotti ogni anno, e la sua dichiarazione di supporto all'OMB indica una cifra di circa 470,000 casi, di cui circa 2,375 vengono selezionati per indagini retrospettive. Si tratta di numeri record. La stima nazionale ponderata è diversa: il dato più recente pubblicato dalla CPSC per tutti i prodotti è di 10,994,000 lesioni correlate a prodotti di consumo trattate al pronto soccorso per l'anno solare 2020, un anno di pandemia con volumi di pronto soccorso ridotti.

Quanti ospedali sono inclusi nel campione NEISS?

Esattamente 100, selezionati da un campione del 2020 di 4,723 pronto soccorso statunitensi idonei, suddivisi in cinque categorie: 43 piccoli, 26 medi, 12 grandi, 11 molto grandi e 8 ospedali pediatrici. Non tutti i 100 ospedali presentano i dati in un dato anno. I dati salienti della CPSC registrano 96 ospedali che hanno presentato i dati nel 2019, 96 nel 2023 e 77 su 100 nel 2024.

Ho bisogno dei pesi di campionamento per pubblicare una stima NEISS?

Sì, e hai bisogno anche delle variabili di progettazione. Il file pubblico include Stratum, PSU e Weight. Sommando i pesi dei casi che soddisfano la tua definizione si ottiene la stima nazionale; dichiarare Stratum e PSU come parametri del disegno campionario è ciò che rende corretti gli errori standard. Una stima puntuale ponderata calcolata senza le variabili di progettazione di solito presenta errori standard troppo piccoli, il che produce intervalli di confidenza troppo ristretti.

Il database NEISS può fornirmi stime a livello statale o a livello di contea?

No. Questa è la limitazione più frequentemente segnalata nella letteratura pubblicata sul NEISS. In una revisione sistematica di 167 articoli sul NEISS-AIP condotta dal CDC, la limitazione più comunemente citata dagli autori era che il sistema produce solo stime nazionali e non può essere utilizzato per la sorveglianza a livello statale o di contea. Con la precedente impostazione, 14 stati non avevano alcun ospedale partecipante.

Quanto è accurata la codifica NEISS?

Non esiste un dato univoco sull'accuratezza e qualsiasi fonte che ne citi uno dovrebbe essere trattata con sospetto. Uno studio di collegamento dei dati condotto presso un ospedale pediatrico NEISS ha rilevato che il 13.32% dei casi campionati non erano lesioni secondo gli standard ICD-9-CM, con una concordanza tra i casi di lesioni reali pari a kappa 0.87 (IC 95% da 0.85 a 0.88). Rispetto alla definizione ICD-9-CM del CDC, la definizione di lesione cerebrale traumatica raccomandata dal NEISS ha mostrato una sensibilità del 91.0% e un valore predittivo positivo del 76.5%. Gli autori del primo studio raccomandano la revisione manuale delle narrazioni dei casi come migliore prassi.

I dati NEISS sono gratuiti e, in caso affermativo, fino a quando risalgono?

I file NEISS ad uso pubblico sono gratuiti, senza necessità di presentare domanda né di stipulare un accordo sull'utilizzo dei dati. I file annuali sono scaricabili tramite il portale di creazione query della CPSC per gli anni di trattamento dal 2006 al 2025, in formato Excel, testo delimitato da tabulazioni e SAS. Ogni nuovo anno è generalmente disponibile ad aprile dell'anno successivo, sebbene la pubblicazione possa subire ritardi: i dati relativi alle date di trattamento del 2025 sono stati resi disponibili il 7 maggio 2026.

NEISS può dirmi se un prodotto ha causato un infortunio?

No. La stessa CPSC afferma che NEISS supporta le stime degli infortuni "associati a (ma non necessariamente causati da) specifici prodotti di consumo". Un codice prodotto registra la presenza del prodotto al momento dell'evento, non la sua causa. NEISS inoltre non dispone di identificativi del paziente, né di dati di follow-up o di esiti successivi alla visita, pertanto le questioni relative alla causalità e agli esiti esulano dalle competenze del sistema.

Referenze

1. Thompson MC, Wheeler KK, Shi J, Smith GA, Xiang H. Valutazione della comparabilità tra la codifica delle lesioni NEISS e ICD-9-CM. PLoS One. 2014;9(3):e92052. doi:10.1371 / journal.pone.0092052. ID PMI: 24658100.
2. Thompson MC, Wheeler KK, Shi J, Smith GA, Groner JI, Haley KJ, Xiang H. Sorveglianza delle lesioni cerebrali traumatiche pediatriche mediante il NEISS: scelta di una definizione di caso appropriata. Brain Inj. 2014;28(4):431-7. doi:10.3109/02699052.2014.887146. ID PMI: 24564802.
3. Navon L, Chen LH, Cowhig M, Wolkin AF. Due decenni di dati sugli infortuni non mortali: una revisione esplorativa del National Electronic Injury Surveillance System-All Injury Program, 2001-2021. Inj Epidemiol. 2023;10(1):44. doi:10.1186/s40621-023-00455-4. ID PMI: 37679835.
4. Durand WM, Stey PC, Chen ES, Sarkar IN. Analisi delle tendenze dei risultati aggregati in dati complessi di indagini sanitarie. AMIA Jt Summits Transl Sci Proc. 2018;2017:349-58. PMID: 29888093.
5. Parker ST. Stima delle sedi delle lesioni da arma da fuoco non mortali con elaborazione del linguaggio naturale e modelli di apprendimento automatico. JAMA Netw Open. 2020;3(10):e2020664. doi:10.1001 / jamanetworkopen.2020.20664. ID PMI: 33052403.
6. Omaki E, Shields W, Rouhizadeh M, Delgado-Barroso P, Stefanos R, Gielen A. Comprendere le circostanze delle lesioni da caduta in età pediatrica: un'analisi di apprendimento automatico delle narrazioni NEISS. Inj Prev. 2023;29(5):384-8. doi:10.1136/ip-2023-044858. ID PMI: 37399309.
7. Carpenito T, Miller M, Manjourides J, Azrael D. Utilizzo dell'imputazione multipla tramite super apprendimento per assegnare l'intento alle lesioni non mortali da arma da fuoco. Prev Med. 2022;163:107183. doi:10.1016 / j.ypmed.2022.107183. ID PMI: 35964778.
8. Budnitz DS, Shehab N, Lovegrove MC, Geller AI, Lind JN, Pollock DA. Accessi al pronto soccorso negli Stati Uniti attribuiti a danni da farmaci, 2017-2019. JAMA. 2021;326(13):1299-1309. doi:10.1001 / jama.2021.13844. ID PMI: 34609453.
9. Shields W, Dong Y, Jager L, Shiang E, Frattaroli S, Omaki E. Utilizzo del database NEISS per comprendere gli infortuni correlati alle pentole a pressione negli Stati Uniti. Inj Prev. 2023;29(6):506-10. doi:10.1136/ip-2023-044910. ID PMI: 37666516.
10. Lacher CR, Koc I, Tsui JC. Lesioni oculari correlate al pickleball tra i pazienti che si presentano al pronto soccorso. JAMA Ophthalmol. 2025;143(11):938-44. doi:10.1001/jamaophthalmol.2025.3577. ID PMI: 41100112.
11. Blakney AM, Griggs E, Farrell S, Lindsey K, Chang JT. Esplosioni e ustioni correlate alle batterie dei sistemi elettronici di somministrazione di nicotina (ENDS) che si presentano nei pronto soccorso degli Stati Uniti, 2020-2024. Prev Med. 2026;207:108563. doi:10.1016 / j.ypmed.2026.108563. ID PMI: 41875938.
12. Neuroth LM, Humphries KD, Wing JJ, Smith GA, Zhu M. Lesioni da monopattino elettrico correlate a veicoli a motore negli Stati Uniti: un'analisi descrittiva dei dati NEISS. Am J Emerg Med. 2022;55:1-5. doi:10.1016/j.ajem.2022.02.004. ID PMI: 35228017.
13. Akomaning E, Osei SP, Bhagavathula AS. Lesioni correlate all'alcol derivanti dall'uso di monopattini elettrici e biciclette elettriche negli Stati Uniti (2019-2022): uno studio retrospettivo. Inj Prev. 2026;32(4):565-70. doi:10.1136/ip-2024-045461. ID PMI: 39653429.
14. Xiao JB, Siu JM, Propst EJ, Wolter NE. Tendenze dei consumatori riflesse nel contenuto dell'esofago pediatrico: una revisione di 20 anni. Laryngoscope. 2024;135(1):438-44. doi:10.1002/lary.31728. ID PMI: 39177065.
15. Hammig B, Haldeman S. Cadute dalle scale negli Stati Uniti: lesioni cerebrali traumatiche e ruolo dell'intossicazione da alcol. J Epidemiol Community Health. 2023;77(1):44-8. doi:10.1136/jech-2022-219396. ID PMI: 36328421.
16. Bhagavathula A, Price JH, Khubchandani J. Tendenze e disparità nelle lesioni non mortali da arma da fuoco tra gli adulti in età lavorativa negli Stati Uniti, 2000-2021. J Community Health. 2025;50(3):454-63. doi:10.1007/s10900-024-01431-9. ID PMI: 39702661.
17. Dell NA, Vaughn MG, Salas-Wright CP. Lesioni da arma da fuoco tra le persone senza fissa dimora: evidenze trasversali da un'indagine nazionale sui pronto soccorso degli Stati Uniti. Public Health Pract (Oxf). 2023;6:100446. doi:10.1016/j.puhip.2023.100446. ID PMI: 37954558.
18. Ehlman DC, Haileyesus T, Lee R, Ballesteros MF, Yard E. Valutazione dei dati sulla violenza autodiretta del National Electronic Injury Surveillance System – All Injury Program, Stati Uniti, 2018. J Safety Res. 2021;76:327-31. doi:10.1016/j.jsr.2020.12.002. ID PMI: 33653565.
19. Chen W, Wheeler KK, Lin S, Huang Y, Xiang H. Classificazione computerizzata “imparando sul campo” delle lesioni cerebrali traumatiche utilizzando i dati narrativi NEISS. Accid Anal Prev. 2016;89:111-7. doi:10.1016/j.aap.2016.01.012. ID PMI: 26851618.
20. Commissione statunitense per la sicurezza dei prodotti di consumo. Dati salienti del NEISS 2024. Disponibile all'indirizzo: cpsc.gov.
21. Schroeder T, Ault K. Il campione NEISS (progettazione e implementazione) dal 1979 al 1996. Washington DC: US ​​Consumer Product Safety Commission; giugno 2001. Disponibile all'indirizzo: cpsc.gov.
22. Agenzia per la ricerca e la qualità dell'assistenza sanitaria. Panoramica del campione nazionale dei pronto soccorso (NEDS). Progetto sui costi e l'utilizzo dell'assistenza sanitaria. Disponibile all'indirizzo: hcup-us.ahrq.gov.