응급실 방문 기록이 NEISS 데이터에 저장되는 과정: NEISS 데이터베이스 활용을 위한 연구자 가이드

매년 약 40만 건의 부상 기록이 미국 병원 응급실에서 기록되어 누구나 무료로 다운로드할 수 있는 공개 데이터 파일에 저장됩니다. 이 파일은 미국 소비자제품안전위원회(CPSC)가 1972년부터 운영해 온 NEISS (National Electronic Injury Surveillance System) 데이터베이스입니다. 만약 표본으로 선정된 병원에서 제품 관련 부상으로 치료를 받았다면, 개인 식별 정보가 제거된 진료 기록이 이 데이터베이스에 있을 가능성이 높습니다. 이 기록은 약 20개의 코드화된 항목과 한 문장의 자유 텍스트로 축소되어 있습니다.

이 기사는 한 건의 부상 사례를 처음부터 끝까지 추적합니다. 새벽 2시에 임상의가 작성하는 차트부터 이를 해석하는 코더, 국가 통계로 변환하는 가중치 부여 과정, 그리고 1년 후 연구자가 다운로드하는 데이터에 이르기까지 모든 단계를 보여줍니다. 또한 이 데이터 세트에 대한 가장 심각한 오해, 즉 ICD-10 코드를 사용한다는 잘못된 인식을 바로잡습니다. 이 데이터 세트는 ICD-10 코드를 사용하지 않으며, 그러한 가정에 기반한 연구는 시작하기도 전에 실패하게 됩니다.

주요 요점

• 층화 확률 표본 100 개 병원 미국 내 4,723개 응급실을 대상으로 조사한 결과입니다. 모든 응급실이 매년 보고하는 것은 아니며, 2023년에는 96개만 보고했습니다. 2024년 100명 중 77명.
• 그것은 수집합니다 매년 약 400,000만 건의 제품 관련 사례가 발생합니다.그것은 기록적인 수치이지 전국적인 수치가 아닙니다.
• NEISS는 그렇게 합니다 지원 ICD-10-CM 또는 ICD-10-PCS를 사용합니다. 이 시스템은 폐쇄형 내부 코드 세트를 사용하며, 26개의 신체 부위 코드, 30개의 진단 코드, 4자리 제품 코드(사례당 최대 3개)로 구성됩니다.
• 모든 사건에는… Weight해당 파일에는 다른 내용도 포함되어 있습니다. Stratum PSU타당한 추정치와 정확한 표준 오차를 위해서는 이 세 가지 모두가 필요합니다.
• 해당 파일은 2006년부터 2025년까지의 치료 기간에 대해 무료로 공개되어 있습니다. 시스템은 현재 재구축 중이며, CPSC의 현대화된 버전은 2027년 초에 완전히 가동될 예정입니다.

NEISS 데이터베이스의 실제 구성 요소는 무엇일까요?

CPSC는 NEISS를 "가장 크고 역동적인 데이터 수집 및 추적 감시 시스템"이라고 부릅니다. NEISS의 목적은 CPSC 분석가들이 특정 소비자 제품 과 관련된(반드시 해당 제품으로 인한 것은 아님) 부상에 대한 시의적절한 전국적 추정치를 산출할 수 있도록 하는 것입니다 . 괄호 안의 내용은 CPSC가 공식 NEISS FAQ 에서 직접 사용한 표현 이며, 해당 페이지에서 가장 중요한 문장입니다. NEISS 데이터베이스는 인과관계가 아닌 연관성을 입증하는 것이며, 이후에 어떤 통계적 기법을 적용하더라도 인과관계를 바꿀 수는 없습니다.

본 연구의 표본은 2020년 기준 4,723개의 적격 응급실 중 100개를 선정했으며, 해당 병원들의 연간 응급실 방문 건수는 1억 5,570만 7,175건입니다. 표본 선정 기준은 미국 소재, 최소 6개 이상의 입원 병상, 그리고 24시간 운영되는 응급실입니다. 표본은 응급실 규모에 따른 4개 그룹과 소아병원 그룹을 포함하여 총 5개 그룹으로 분류했습니다.

출처: CPSC 정보 수집 지원 진술서, 파트 B(OMB 제출 자료). Editverse 작성.

다음 두 가지를 기억하세요. 표본은 정확히 100개이며, 대부분의 2차 자료에서처럼 "100개 이상"이 아닙니다. 그리고 실제로 보고한 병원 수는 변동이 있습니다. 2019년에는 96개 병원, 2023년에는 96개 병원, 그리고 2024년에는 100개 병원 중 77개 병원이 보고했습니다. 가중치는 응답률을 보정하지만, 2019년과 2024년을 비교하는 연구는 보고 기준이 상당히 다른 기간을 비교하는 것이며, 시스템에 정통한 검토자는 이 부분을 질문할 것입니다. NEISS 부상 통계의 신뢰성 에 대한 저희의 관련 글에서는 이러한 점이 통계의 안정성을 추정하는 데 어떤 영향을 미치는지 자세히 분석합니다.

한 가지 더 명확히 구분해야 할 사항이 있습니다. NEISS 데이터베이스는 서로 다른 병원 하위 집합과 사례 정의를 기반으로 하는 하위 시스템으로 구성되어 있습니다. NEISS-AIP(CDC 자료를 활용한 모든 부상, 2000년부터), NEISS-Work(NIOSH 자료를 활용한 직업 관련 부상, 약 67개 응급실), NEISS-CADES(약물 부작용, 2017~2019년, 60개 응급실), 그리고 NEISS-FISS(총기 부상)가 있습니다. NEISS-Work의 발생률을 "NEISS" 수치로 인용하는 것은 관련 논문이 아무리 완벽하더라도 사실 오류입니다.

1단계: 병원에서 수집되는 정보

누군가 전동 스쿠터에서 떨어져 표본으로 선정된 응급실에 도착해 손목 골절 치료를 받았습니다. 해당 방문에 대한 진료 기록은 환자 분류 기록, 진찰 소견, 영상 검사, 퇴원 지시 사항 등 모든 내용을 포함합니다. 하지만 이 기록 중 거의 대부분이 NEISS 데이터베이스에 입력되지 않습니다.

NEISS 데이터베이스에 입력되는 정보는 숙련된 요약 담당자가 차트에서 추출하여 정해진 구조로 정리한 내용입니다. 기존 시스템에서는 의료 기록을 수동으로 요약하는 방식이었는데, 이는 전자 건강 기록에서 자동으로 데이터를 가져오는 방식이 아니었습니다. CPSC의 현대화 계획은 바로 이 자동 요약 방식을 대체하기 위한 것입니다. 요약 담당자는 정해진 질문에 답한 후, 해당 사건을 간략하게 설명하는 한 문장을 작성합니다.

공개적으로 사용 가능한 변수 목록 전체는 출력할 수 있을 만큼 짧습니다. 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, Weight이것이 전체 기록입니다. 동반 질환, 비용, 입원 기간, 영상 검사 결과 또는 퇴원 후 경과와 관련된 사항은 여기서 전혀 답변해 드릴 수 없습니다.

거의 모든 신규 사용자의 눈길을 사로잡는 한 가지 세부 사항이 있습니다. Age 단순한 정수가 아닙니다. 0 나이가 기록되지 않았음을 의미합니다. 2 에 120 몇 년이고, 201 에 223 나이는 1세부터 23세까지입니다. 개월해당 열을 있는 그대로 읽으면 201세에서 223세 사이의 연령 집단이 생성되는데, 이는 모든 구문 검사를 통과하지만 연령별로 계층화된 모든 추정치를 무너뜨립니다.

2단계: 코딩 및 NEISS 데이터베이스에서 ICD-10을 사용하지 않는 이유

이 부분이 가장 중요하며, 이전 버전의 기사에서 오류가 있었던 부분입니다. 이전 기사에서는 NEISS 코더들이 ICD-10-CM/PCS를 사용하여 부상을 분류한다고 잘못 기재했습니다. 이는 사실이 아닙니다. 그 결과는 매우 심각할 수 있습니다. ICD-10 기반 NEISS 분석을 계획한 연구자가 프로젝트 도중에 해당 변수가 존재하지 않는다는 사실을 발견하게 될 수 있습니다.

NEISS 데이터베이스는 CPSC에서 관리하는 폐쇄형 내부 코드 세트를 사용합니다. 허용되는 모든 값은 NEISS 데이터 사전 에 열거되어 있으며 , 해당 값을 적용하는 규칙은 NEISS 코딩 매뉴얼 에 있습니다.

• 신체 부위두 자리 코드로, 현재 사용 가능한 값은 26개입니다. 예를 들어 30은 어깨, 34는 손목, 35는 무릎, 75는 머리, 77은 눈, 82는 손, 92는 손가락, 94는 귀입니다. 78, 86, 90, 91과 같은 기존 코드는 "(구식)"으로 표시되며, 긴 코드열에서는 주의해서 처리해야 합니다.
• 진단두 자리 숫자로 된 30가지 값의 코드입니다. 예를 들어 52는 뇌진탕, 57은 골절, 59는 열상, 63은 자상, 64는 염좌, 68은 중독, 71은 기타/기재되지 않음을 나타냅니다. 진단 코드가 71인 경우, 자유 텍스트 입력란은 다음과 같습니다. Other_Diagnosis 해당 필드는 코더가 의도한 바를 담고 있습니다.
• 프로덕트외부에서 상응하는 코드가 없는 4자리 CPSC 코드, 사례당 최대 3개, 사용되지 않은 슬롯은 모두 채워짐 0000.
• 규정환자 수는 총 7명으로, 치료 후 퇴원 1명, 치료 후 입원 4명, 사망 8명이 포함됩니다. 오시는 길 : 1은 집을, 9는 여가 또는 스포츠 장소를 나타내는 9가지 값입니다.

이것이 전체 임상 용어입니다. 진단 코드 30개는 많지 않습니다. 좌우측 구분, 중증도 척도, 외부 원인 계층 구조, 시술 코드 등이 전혀 없습니다. 만약 이러한 정보가 필요하다면 NEISS는 적합한 데이터셋이 아니며, 처음부터 올바른 데이터베이스를 선택하는 것이 바로 이 가이드의 핵심입니다 . ICD-10-CM/PCS를 사용하는 시스템은 NEDS이며, 이 글 후반부에서 자세히 비교합니다.

코드 세트도 이동합니다. CPSC는 이를 관리합니다. 제품 코드 호환성 표 1972년 이후 병합, 분할, 삭제 또는 재활성화된 모든 제품 코드를 기록합니다. 코르크 따개(0416)는 1983년에 삭제되었다가 1994년에 복원되었고, 1995년에 다시 삭제되었다가 2000년 5월에 복원되었습니다. 고정식 전동톱(0825)은 1974년부터 0841에서 0845까지 분할되었습니다. 이 표 없이 20년 동안 하나의 코드를 조회하면 인위적인 추세를 게시하게 됩니다. 또한 몇몇 열에는 명확한 시작 날짜가 있습니다. Body_Part_2, Diagnosis_2, Product_3, Hispanic, Alcohol Drug 2019년부터 존재하게 되었습니다. Sex = 3 2021년부터만 해당됩니다. 2018년에서 2019년 또는 2020년에서 2021년을 잇는 모든 시계열에는 구조적 변화가 포함됩니다. 코더가 두 가지 타당한 코드 중에서 선택하는 방법에 대해서는 다음을 참조하십시오. NEISS 제품 및 진단 코드 할당 방법.

3단계: NEISS 데이터베이스를 특별하게 만드는 400자 분량의 설명

코딩된 필드 다음으로는 많은 연구자들이 더 큰 데이터베이스 대신 NEISS 데이터베이스를 선택하는 이유가 나옵니다. Narrative이벤트에 대한 자유 형식 설명(400자 이내).

코딩 매뉴얼은 매우 구체적입니다. 보고서는 나이와 성별을 나타내는 약어("25YOM", "19MOF")로 시작해야 하고, 문장 형식으로 대문자를 사용하고 철자를 정확하게 써야 하며, 특정 제품명을 명시해야 합니다. 또한 임상 진단은 "DX:"를 앞에 붙여 보고서 끝에 기재해야 하고, 혈중 알코올 농도는 세 자리 숫자("BAC 080")로 기록해야 하며, 개인 식별 정보는 포함해서는 안 됩니다. 실제 사례는 다음과 같습니다. 28세 여성이 전동 스쿠터를 타다가 연석에 부딪혀 뻗은 손으로 넘어졌습니다. 진단: 손목 골절.

시간에 쫓기듯 400자씩 입력되는 정보는 빈약한 도구에 불과합니다. 또한 연방 상해 감시 체계에서 상해 발생 상황이 전국적인 규모로 기록되는 유일한 곳이기도 합니다. NEDS에는 이와 같은 것이 없습니다. 바로 이 단 하나의 항목 덕분에 다음 연구들이 가능했습니다.

• 쉴즈와 동료 연구진은 2003년부터 2019년까지 발생한 압력솥 폭발 사고 사례를 분석하여, 코드로 작성된 데이터에는 없는 네 가지 범주(발화제, 폭발물에 맞음, 개봉 중 부상, 기타)로 사고 원인을 분류했습니다. 759건의 실제 사례를 바탕으로 전국적으로 약 28,337건(95% 신뢰구간 24,588~32,086)의 부상이 발생했으며, 이는 연간 약 1,667건에 해당합니다.⁹
• 델과 그의 동료들은 익명 처리된 서술 데이터만을 사용하여 NEISS-FISS 총기 기록에서 노숙 가능성이 있는 사례를 0.10%(n=3,225)로 확인했으며, 이 중 82.64%는 폭행이 원인이었습니다. NEISS에는 주거 상태 변수가 없지만, 서술 데이터를 통해 이를 대체할 수 있었습니다.¹⁷
• 파커는 1993년부터 2015년까지 수집된 가중치가 없는 총격 사건 기록 59,025건에 자연어 처리(NLP) 기술을 적용하여 전국적인 통계적 분포를 바꾸어 놓았습니다. 기존 추정치에서는 집이 23.4%로 가장 빈번하게 발생했고, 그 다음으로 도로 또는 고속도로가 22.9%를 차지했습니다. 그러나 NLP 분류 후에는 도로 또는 고속도로가 46.1%로 가장 빈번하게 발생했고, 집은 37.7%로 나타났습니다.⁵
• 오마키와 그의 동료들은 4,546건의 사례를 수동으로 코딩하여 모델을 훈련시키고, 이를 5세 미만 아동의 낙상 사고 91,325건에 적용한 결과, 낙상으로 인한 부상의 33%가 영아가 침대에서 떨어진 것임을 발견했습니다.⁶
• 첸과 그의 동료들은 노동 비용이 감당 가능한 수준임을 보여주었습니다. 대화형 기계 학습 도구를 사용하면 약 60분간의 훈련 후 수만 건의 외상성 뇌손상 사례 분류에 며칠이 걸리던 작업이 몇 분으로 단축되었습니다.¹⁹

서술형 데이터는 설계 단계에서 결정해야 하는 사항이지, 나중에 고려할 사항이 아닙니다. 질문에 상황적 세부 정보가 필요한 경우, 수동 검토 또는 분류기와 검증용 하위 샘플을 사용해야 하며, 이는 프로토콜에 포함되어야 합니다. 자유 형식 서술형 데이터 추출 전략에 대한 자세한 내용은 관련 게시글을 참조하십시오.

4단계: 하나의 기록을 전국 추정치로 바꾸는 가중치

NEISS 논문의 성공 여부는 대부분 이 부분에서 결정됩니다.

NEISS 데이터베이스는 확률 표본이기 때문에 모든 사례에 통계적 가중치가 부여됩니다. CPSC 자체 공식에 따르면 전국 추정치는 "해당 부상 사례에 대한 통계적 가중치를 합산하여 산출"됩니다. 이 가중치는 상수가 아닙니다. 이는 응답률과 병원 합병을 고려하여 해당 계층 내에서 병원이 선택될 확률의 역수입니다. 슈뢰더와 오울트는 이를 다음과 같이 제시합니다.

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

여기서 계층 h 내에서 N은 프레임에 포함된 병원 수, n은 선택된 병원 수, n'은 조사 대상 병원 수, r은 참여 병원 수를 나타냅니다. 따라서 소규모 계층 병원의 기록은 매우 큰 응급실의 기록보다 훨씬 더 큰 가중치를 가질 수 있습니다. 그러므로 가중치가 적용되지 않은 NEISS 행 수는 국가 전체 수치의 축소판이 아닙니다. 형태가 다른 별개의 수치입니다.

두 가지 수치가 요점을 명확히 보여주는데, 이 기사의 이전 버전에서는 이 두 수치를 혼동했습니다. 수집된 사례 수치는 CPSC 자체 자료로, 연간 "거의 40만 건의 제품 관련 사례"입니다. 전국 가중치 추정치는 규모가 완전히 다릅니다. CPSC가 최근 발표한 모든 제품 관련 수치는 2020년 한 해 동안 응급실에서 치료받은 소비자 제품 관련 부상 건수가 1,099만 4천 건이라는 것인데, 두 가지 유의할 점이 있습니다. 2020년은 팬데믹으로 인해 응급실 이용률이 감소한 해였고, CPSC는 중복을 제거한 단일 총계를 정기적으로 발표하지 않습니다.

그 총계를 피하는 이유는 시사하는 바가 큽니다. 모든 데이터 하이라이트 발표 자료에는 "데이터 시스템을 통해 한 사람의 부상에 대해 최대 세 가지 제품을 보고할 수 있으므로, 한 사람의 부상이 세 가지 제품군에 포함될 수 있습니다."라고 명시되어 있습니다. 공개된 범주들을 합산하면 부상자 수가 중복 계산되거나 세 배로 계산될 수 있습니다. 2024년 단일 범주별 추정치는 다음과 같습니다. 계단, 경사로, 착륙장 및 바닥 3,101,789건; 침대, 매트리스 및 베개 1,114,811건; 의자, 소파 및 소파베드 756,953건; 욕실 설비 658,680건; 운동기구 564,845건.

설계 변수는 공개 파일에 다음과 같이 포함되어 있습니다. Stratum, PSU (표본으로 선정된 병원)과 Weight및 Wt SAS 파일에서 계층과 클러스터를 명시하지 않고 가중치를 적용하면 일반적으로 표준 오차가 너무 작은 타당한 점 추정치가 나오므로 신뢰 구간이 너무 좁아지고 p값이 너무 관대해집니다. Durand와 동료들은 NEISS 자체를 테스트 사례로 사용하여 "거의 모든 경우에서 설계 보정 접근 방식이 표준 통계 기법과 현저하게 달랐다"고 보고했습니다.⁴ 디자인이 결과에 얼마나 큰 영향을 미칠 수 있는지 직접 확인해 보신 적이 없다면, 이 사이트에서 가장 명확하게 보여주는 사례를 참고하세요. 동일한 NHANES 분석을 세 가지 방식으로 실행했을 때 어떤 결과가 나왔을까요?NEISS 가중치의 표본 추출 이론에 대해서는 다음을 참조하십시오. NEISS 가중치는 표본을 전국 추정치로 변환하는 방법을 설명합니다..

CPSC는 참고할 만한 보고 규칙도 발표합니다. 분산은 변동 계수(CV)로 보고되며, CV는 분산을 추정치로 나눈 값의 제곱근입니다. 95% 신뢰구간은 추정치에 (1.96 x 추정치 x CV)를 더하거나 뺀 값입니다. CPSC는 추정치가 1,200 미만이거나, 관련 사례 수가 20건 미만이거나, CV가 33%를 초과하는 경우 해당 추정치를 불안정한 것으로 간주하여 보고하지 않습니다.

5단계: 배포 및 NEISS 데이터베이스 파일 다운로드 방법

기록은 검증, 가중치 부여를 거쳐 매년 공개됩니다. 미국 소비자제품안전위원회(CPSC)는 가장 최근 연도의 치료 날짜 데이터가 일반적으로 다음 해 4월에 제공된다고 명시하고 있습니다. 하지만 실제로는 일정이 지연되는 경우가 있습니다. 예를 들어 2025년 치료 날짜 데이터는 2026년 5월 7일에야 공개되었습니다. 따라서 데이터 처리 기간을 "대략 1년에서 몇 달" 정도로 예상하고 계획을 세우십시오. 이 데이터 세트에 대해 유포되는 근거 없는 72시간 또는 2~4주 처리 기간에 의존해서는 안 됩니다.

데이터를 얻는 것은 정말 쉽습니다. 신청서도 필요 없고, 데이터 사용 계약도 필요 없고, 수수료도 없습니다.

• NEISS 추정치 조회 도구 및 다운로드 포털2006년부터 2025년까지의 치료 연도에 대한 연간 파일이 Excel, 탭으로 구분된 텍스트 및 SAS 형식으로 제공됩니다.
• 미국 소비자제품안전위원회(CPSC)가 자체 추정치를 산출하는 방식을 설명한 내용위의 이력서 및 보고 의무 규칙을 포함합니다.
• CPSC의 NEISS 프로그램 설명방법론 섹션을 시작할 때 유용합니다.

CPSC에서 명확히 밝힌 주의사항은 제한 사항 단락에 포함되어야 합니다. 웹사이트를 통해 사용자가 생성하는 추정치는 "데이터 처리 과정의 분석적 차이로 인해 CPSC 발행물과 다를 수 있습니다." 검토자가 직접 찾아내도록 두지 말고 이 내용을 명시하십시오. 다운로드 및 파일 구조에 대한 자세한 설명은 NEISS 데이터 파일 다운로드 방법을 참조하십시오.

올바른 풀이 예시: NEISS 데이터베이스 행을 이용한 국가 추정치 산출

이 글의 이전 버전에서는 Stata 코드 조각을 사용했습니다. discwt hosp_ed저것들은 HCUP/NEDS 변수 이름입니다. NEISS 파일에는 존재하지 않으므로 코드가 실행되지 않았습니다. 다음은 수정된 버전입니다.

* ---- 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

R에서 동일한 디자인 survey 패키지 :

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%.

SAS에서 이에 해당하는 것은 다음과 같습니다. PROC SURVEYMEANS or PROC SURVEYFREQ 과 STRATA Stratum; CLUSTER PSU; WEIGHT Wt;.

출판 가능한 NEISS 분석과 거부된 분석을 구분하는 두 가지 중요한 습관이 있습니다. 첫째, 가중치를 적용하지 않은 사례 수와 가중치를 적용한 추정치를 항상 함께 보고해야 합니다. 최근 가장 깔끔한 예는 JAMA Ophthalmology에 실린 피클볼 논문으로, 가중치를 적용하지 않은 73건의 사례에서 추정된 안구 손상 건수가 3,112건이며, 설문조사 가중치를 적용한 회귀 분석 결과 연간 405건의 추가 사례가 발생하는 추세를 보였습니다(95% CI 288~522, P = 0.004).^¹⁰ 독자는 이를 통해 기본 데이터의 부족함을 즉시 파악할 수 있습니다. 둘째, 행을 삭제하는 대신 하위 모집단 옵션을 사용하여 부분집합을 추출해야 합니다. 행을 삭제하면 분산 추정기가 전체 설계에 대해 필요로 하는 정보가 제거되기 때문입니다. 도출한 발생률의 타당성을 검증하려면 당사의 무료 발생률 계산기를 이용하십시오.

NEISS 데이터베이스를 통해 연구자들이 밝혀낸 답은 무엇일까요?

CDC가 작성한 범위 검토에서는 2001년부터 2021년까지 NEISS-AIP를 주요 데이터 소스로 사용한 6,944건의 인용문을 검토하여 167건의 동료 검토 논문을 확인했으며, 이는 72개 저널에서 연평균 8.0건의 논문에 해당합니다.3 ^이는 NEISS-AIP 하위 집합만을 나타낸 것이며, 더 광범위한 NEISS 문헌은 훨씬 더 많습니다. 최근 연구에서는 이 시스템이 가장 강력한 분야가 무엇인지 보여줍니다.

마이크로모빌리티. Neuroth와 동료들은 2015년부터 2019년까지 미국 응급실에서 치료받은 전동 스쿠터 관련 부상 건수를 60,554건(95% CI 37,525~84,594)으로 추산했으며, 이 중 약 19%가 자동차 사고와 관련이 있었습니다. 이러한 부상은 자동차 사고에 비해 입원율이 더 높았습니다(14.6% 대 8.8%, p < 0.01). ¹² Akomaning과 동료들은 가중치를 적용하지 않은 4,020건의 전동 스쿠터 및 전기 자전거 기록을 바탕으로 가중치를 적용한 추정치를 통해 전동 스쿠터 관련 응급실 방문 건수를 279,990건으로 추산했으며, 2019년 22,835건에서 2022년 65,892건으로 약 3배 증가한 것으로 나타났습니다. 또한 남성의 경우 음주 관련 확률이 여성보다 2.61배 높았습니다(95% CI 1.84~3.69). ¹³

리튬 이온 배터리 관련 부상. 이전 버전의 기사에는 출처가 명시되지 않은 37%와 142%라는 두 가지 모순된 수치가 실렸습니다. 실제로 발표된 내용은 다음과 같습니다. FDA 연구진은 2020년부터 2024년까지의 NEISS 데이터를 분석하여 전자 니코틴 전달 시스템 배터리 폭발 및 화상으로 인한 응급실 방문 건수를 2,043건(95% 신뢰구간 1,326~2,760건)으로 추정했으며, 이는 가중치가 적용되지 않은 52건의 사례를 기반으로 한 것으로, 이 중 26.3%가 입원 치료를 필요로 했습니다.^¹¹ 그래프의 형태에 주목하십시오. 적은 수의 사례, 넓은 범위, 그리고 이례적으로 높은 입원율입니다. 이는 타당한 분석이며, 새롭게 대두되는 위험에 대한 NEISS 데이터의 취약성을 잘 보여주는 사례입니다.

소아 손상. Xiao와 동료들은 20년간의 소아 식도 이물질 사례를 검토했습니다. 가중치를 적용하지 않은 52,315건의 사례를 바탕으로 전국적으로 1,589,325건으로 추산했으며, 동전이 37.6%, 배터리가 6.8%를 차지했고, 발생률은 어린이 10,000명당 7.3명에서 14.2명으로 증가했습니다(p < 0.0001). ¹⁴ NEISS 데이터베이스는 제품이 노출 요인이고 제품이 코드로 기록되어 있기 때문에 다른 어떤 자료보다 이 질문에 더 잘 답해줍니다.

낙상. Hammig와 Haldeman은 2019년 한 해에만 15세에서 64세 사이의 사람들 사이에서 계단 낙상으로 인한 응급실 방문이 687,902건에 달한다고 추산했으며, 알코올 중독은 외상성 뇌손상 발생률 증가와 관련이 있는 것으로 나타났다(발생률 비율 2.7, 95% CI 2.3~3.1). ¹⁵

총기 부상과 하위 시스템 함정. Bhagavathula와 동료들은 2000년부터 2021년까지의 NEISS-FISS 데이터를 사용하여 미국에서 근로 연령 성인 중 비치명적인 총기 부상이 2.36만 건 발생했으며, 남성이 85.7%를 차지한다고 추정했습니다. ¹⁶ 어떤 데이터베이스를 선택해야 하는지에 대한 가장 정확한 요약은 다음과 같습니다. Carpenito와 동료들은 HCUP-NEDS가 "비치명적인 총기 부상 건수에 대한 정확한 데이터를 제공하지만 부상 의도는 신뢰할 수 있게 코딩되지 않았다"고 지적하는 반면, NEISS-FISS는 의도를 신뢰할 수 있게 코딩하지만 "이러한 사건 발생 건수에 대한 안정적인 추정치를 산출하기에는 데이터 규모가 너무 작다"고 밝혔습니다. ⁷

약물 부작용. JAMA에 실린 NEISS-CADES 분석은 발표 자료로 활용할 가치가 있습니다. 60개 응급실에서 발생한 96,925건의 사례를 분석한 결과, 저자들은 연간 인구 1,000명당 약물 부작용으로 인한 응급실 방문 횟수가 6.1회(95% 신뢰구간 4.8~7.5)이며, 이 중 38.6%(95% 신뢰구간 35.2~41.9)가 입원으로 이어졌다고 추정했습니다.8 ^모든 추정치에는 신뢰구간이 포함되어 있으며, 참여 응급실 수와 사례 수가 모두 명시되어 있습니다. 이것이 표준적인 방법입니다.

NEISS 데이터베이스가 할 수 없는 일

데이터셋만 판매하는 게시물은 유용하지 않습니다. 다음 사항 중 하나라도 질문의 핵심이라면 다른 것을 선택하세요.

1. 응급실에서 치료받은 부상에 한함. 응급실, 의원, 가정에서 치료받거나 아예 치료받지 못한 부상은 눈에 보이지 않으며, 응급실에 도착하지 못한 사망 또한 마찬가지입니다.
2. 장기적인 추적 관찰은 이루어지지 않았습니다. 각 기록은 단일 방문에 대한 것입니다. 환자 식별 정보, 재입원 기록, 퇴원 후 결과, 비용 정보는 포함되지 않습니다. 회복, 재발 및 장기적인 결과는 시스템 외부에서 관리됩니다.
3. 주, 카운티 또는 광역시별 추정치는 없습니다. CDC가 NEISS-AIP 관련 논문 167편을 대상으로 실시한 범위 검토에서 저자들이 가장 흔하게 지적한 한계점(n=38)은 해당 시스템이 국가 추정치만 산출한다는 점이었습니다.³ 이전 버전의 기사에는 애리조나주와 오하이오주의 정책 조사 결과를 표로 정리한 내용이 포함되어 있었습니다. 하지만 해당 주별 추정치는 존재하지 않으므로 해당 표는 삭제되었습니다.
4. 실제 지리적 격차. 기존 설계 방식에서는 14개 주에 참여 병원이 없었으며, 알래스카, 하와이, 산악 서부 및 북부 지역은 참여율이 저조했습니다.
5. 소세포 불안정성. 약 100개의 병원이 있는 상황에서, 드문 노출 사례는 가중치가 적용되지 않은 사례 수가 매우 적습니다. 하위 그룹이 추정치를 뒷받침할 수 있는지 확신이 서지 않는다면, 추출하기 전에 당사의 도구를 사용하여 확인하십시오. 검정력 및 표본 크기 지침.
6. 상관관계일 뿐, 인과관계는 절대 아닙니다. 제품 코드는 해당 제품이 존재했음을 기록하는 것이지, 그 제품이 부상을 유발했음을 기록하는 것은 아닙니다.
7. 일부 기록은 부상 기록이 아닙니다. NEISS 소속 소아 병원에서 실시한 기록 연계 검증 결과, 표본으로 추출한 사례 2,890건 중 13.32%(385건)가 동일 기록 내에서 ICD-9-CM 진단 기준으로는 부상이 아닌 것으로 나타났습니다. 실제 부상 사례 간의 일치도는 카파 계수 0.87(95% 신뢰구간 0.85~0.88)이었습니다. 연구진은 "사례 기록에 대한 수동 검토를 포함하는 것이 바람직한 진료 방식"이라고 결론지었습니다.¹
8. 코딩 정확도는 하나의 숫자로 나타낼 수 없습니다. NEISS 정확도 백분율을 단 한 번이라도 인용한 페이지는 모두 의심스럽게 여겨야 합니다. 이 기사의 이전 버전에서는 7개의 정확도 백분율을 인용했지만, 모두 삭제되었습니다. 위의 검증 결과 외에, 이용 가능한 유일한 제한적인 결과는 CDC 평가에서 2018년 NEISS-AIP 자해 폭력 데이터의 원인 및 의도 변수 중 99% 이상이 차트 기록과 일관되게 코딩되었다는 보고입니다.¹⁸ 이는 두 변수, 하나의 하위 시스템, 1년 동안의 내부 일관성을 나타냅니다. 시스템 전체의 정확도를 나타내는 것은 아닙니다.
9. 시스템 변경으로 인해 시계열 데이터가 깨집니다. 2019년과 2021년의 변수 추가, 제품 코드 이력, 그리고 보고 병원 수의 변동으로 인해 단순한 20년 추세선은 그래프로 나타낼 수 있는 사실이 아니라, 입증해야 할 주장일 뿐입니다. 저희 게시물에서 자세히 다루겠습니다. NEISS 샘플링에 내재된 편향 동료 평가에서 가장 제기될 가능성이 높은 문제들을 다룹니다.

NEISS에서 누락된 일부 정보는 다른 시스템에 속하는 것이지 어느 쪽에도 속하지 않습니다. 이식형 의료기기와 주입 펌프는 FDA MAUDE 시스템 관할이며 CPSC 관할이 아니므로, 기기 고장 분석을 위한 데이터베이스를 선택할 때 이 점을 고려해야 합니다.

NEISS vs NEDS: 둘 중 하나를 선택해야 할까요?

이 두 가지는 이전 기사를 포함하여 끊임없이 혼동됩니다. 하지만 이들은 경쟁 관계가 아니라 상호 보완적인 관계입니다.

출처: CPSC NEISS 문서; AHRQ HCUP NEDS 개요 및 2020년 소개. Editverse 제작.

요약하자면, 노출 요인이 제품이나 작용 기전이라면 NEISS 데이터베이스를 활용하세요. 결과 변수가 비용, 지불자, 동반 질환 부담 또는 임상적 중증도라면 NEDS 예산을 책정하세요. 둘 다 필요한 경우, 나중에 비용을 파악하는 것보다 프로토콜 단계에서부터 가격을 책정하는 것이 좋습니다.

NEISS 데이터베이스가 재구축되고 있습니다: NEISS-R이란 무엇인가?

2026년 또는 2027년에 NEISS 연구를 계획하고 있다면, 이 배경 지식은 필수적입니다. 미국 소비자제품안전위원회(CPSC)는 NEISS 시스템을 현대화하는 NEISS-Remodel(NEISS-R) 계획을 발표했습니다. 이 계획은 약 70개 병원에서 수동으로 의료 기록을 추출하던 방식을 50개 주 전체를 포괄하는 표준화된 전자 데이터 교환 시스템으로 전환하는 것입니다. 현대화된 시스템은 "2027년 초에 완전히 가동될 것으로 예상됩니다."

세 가지 시사점이 있습니다. 사용한 데이터의 수집 연도를 명시하십시오. 왜냐하면 "NEISS 데이터"는 조만간 연도에 따라 서로 다른 두 가지 수집 방식을 의미하게 될 것이기 때문입니다. 수동 데이터 추출에서 전자 데이터 교환으로의 전환과 병원 데이터 세트 변경이 시계열 데이터에 급격한 변화를 일으키므로, 이러한 변화가 부상과는 전혀 무관한 시계열 데이터에 단절을 초래할 수 있음을 예상해야 합니다. 연구 범위가 이러한 전환기를 포함한다면, 지금 바로 민감도 분석을 계획하십시오. 미국 소비자제품안전위원회(CPSC)의 지침에서도 "데이터 사용자는 시스템 업데이트가 시계열 비교에 미칠 수 있는 영향을 신중하게 고려해야 한다"고 경고하고 있으므로, CPSC의 시스템 현대화 발표 전문을 직접 읽어보는 것이 좋습니다.

NEISS 데이터베이스 연구를 망치는 다섯 가지 실수

1. 가중치를 적용하지 않은 수치를 국가 통계로 발표합니다. 가장 흔한 오류이자 검토자가 가장 쉽게 발견할 수 있는 오류입니다. 두 수치를 모두 보고하십시오.
2. 디자인을 명시하지 않고 가중치를 부여합니다. 점추정치는 유지되지만 표준오차는 그렇지 않습니다.
3. 읽기 Age 정수로. 201부터 223까지의 값은 개월 수를 나타냅니다. 이는 관련 있는 모든 소아과 분석 결과를 조용히 왜곡시킵니다.
4. 20년 동안 하나의 제품 코드를 조회하는 방법. 먼저 호환성 표를 확인하세요. 코드는 병합, 분할, 소멸 또는 다시 나타날 수 있습니다.
5. NEDS에 변수가 존재하기 때문에 해당 변수가 존재한다고 가정합니다. ICD 코드 없음, 비용 없음, 동반 질환 없음, 재입원 없음, 주 식별자 없음.

보고 방식 또한 중요합니다. NEISS 분석은 관찰 연구이므로, 검토자들은 표본 설계, 사례 정의 및 가중치가 공개된 자료에서 재현할 수 있을 정도로 충분히 잘 기술된 관찰 연구용 STROBE 체크리스트 에 따라 작성되기를 기대합니다 .

NEISS 기반 연구를 위한 전문 서비스

대부분의 NEISS 프로젝트는 다음 세 가지 중 하나에서 실패합니다. 질문에 대한 답이 이미 존재하거나, 설계에 필요한 변수들을 여러 해에 걸쳐 확보할 수 없거나, 분석 샘플이 제한된 추정치를 뒷받침할 수 없는 경우입니다. 이 세 가지 실패 요인은 모두 데이터 추출 전에는 비교적 쉽게 발견할 수 있지만, 추출 후에 발견하는 것은 비용이 많이 듭니다.

NEISS 프로젝트는 그 범위에 따라 위의 세 가지 유형 중 하나에 속하기 때문에 NEISS 전용 패키지는 없습니다. 이 항목에 있는 모든 내용은 레지스트리 및 실세계 데이터 연구(Real-World Data Studies) 에 나열되어 있습니다 . 이미 데이터 추출본을 보유하고 있고 설문조사 설계만 제대로 처리하면 되는 경우, 분석 전용 서비스가 더 빠른 방법입니다.

맺음말

응급실 방문 기록이 NEISS 데이터에 포함되는 과정은 대부분의 연구자들이 예상하는 것보다 훨씬 간소하고 단순합니다. 훈련된 요약 담당자가 차트를 읽고, 폐쇄형 CPSC 어휘집에서 몇 개의 두 자리 및 네 자리 코드를 할당한 후, 최대 400자 이내의 한 문장을 작성하고 그 외에는 아무것도 첨부하지 않습니다. CPSC는 해당 병원이 5개 계층 중 하나에 속할 확률에 따라 기록에 가중치를 부여하고, 약 1년 후 이 파일을 원하는 사람이라면 누구나 무료로 이용할 수 있도록 공개합니다.

실질적인 측면에서 거의 모든 중요성을 갖는 두 가지 사실이 있습니다. NEISS는 ICD-10을 사용하지 않으므로 사례 정의는 NEISS 자체 코드 세트와 일반적으로 서술형 기록을 기반으로 구축하고 정당화해야 합니다. 또한 매년 수집되는 약 400,000만 건의 기록은 전국적인 통계가 아니므로 가중치와 설계 변수가 추정치와 무의미한 집계 사이의 차이를 만듭니다. 이러한 요소들을 정확하게 적용하고, 가중치를 적용하지 않은 집계와 가중치를 적용한 추정치를 나란히 보고하고, CPSC의 보고 기준을 적용하고, 시스템이 답변할 수 없는 사항에 대해 솔직하게 밝힌다면 NEISS 데이터베이스는 상해 연구에서 가장 유용한 공공 데이터 세트 중 하나로 남을 것입니다.

NEISS 데이터베이스 관련 자주 묻는 질문

NEISS 데이터베이스는 ICD-10 코드를 사용합니까?

아니요. NEISS는 CPSC에서 관리하는 폐쇄형 내부 코드 세트를 사용합니다. 여기에는 26개의 신체 부위 코드, 30개의 진단 코드, 사례당 최대 3개까지 사용 가능한 4자리 제품 코드, 처치 및 위치 코드, 그리고 400자 이내의 설명이 포함됩니다. 허용되는 모든 값은 NEISS 데이터 사전에 등재되어 있습니다. ICD-10-CM 및 ICD-10-PCS를 사용하는 데이터베이스는 AHRQ에서 운영하는 별도의 시스템인 NEDS(Nationwide Emergency Department Sample)이며, 별도로 구매해야 합니다.

NEISS 데이터베이스에는 매년 몇 건의 사례가 포함되어 있습니까?

CPSC의 2023 회계연도 연례 보고서에 따르면 NEISS는 매년 거의 40만 건의 제품 관련 사례 정보를 제공하며, OMB의 지원 성명서는 계획 수립 시 약 47만 건의 사례를 제시하고 있으며, 이 중 약 2,375건이 후속 조사 대상으로 선정됩니다. 이는 역대 최고 수치입니다. 가중치를 적용한 전국 추정치는 다른 수치입니다. CPSC가 최근 발표한 모든 제품을 포함한 수치는 2020년 한 해 동안 응급실에서 치료받은 소비자 제품 관련 부상 건수가 1,099만 4천 건으로, 이는 응급실 이용률이 감소했던 팬데믹 시기의 결과입니다.

NEISS 표본에는 몇 개의 병원이 포함되어 있습니까?

2020년 기준 미국 내 4,723개 응급실 중 정확히 100곳을 5개 범주(소형 43곳, 중형 26곳, 대형 12곳, 초대형 11곳, 소아병원 8곳)로 나누어 선정했습니다. 모든 100곳이 매년 데이터를 보고하는 것은 아닙니다. CPSC의 데이터 하이라이트에 따르면 2019년에는 96곳, 2023년에는 96곳, 2024년에는 100곳 중 77곳이 데이터를 보고했습니다.

NEISS 추정치를 발표하려면 표본 가중치가 필요한가요?

네, 그리고 설계 변수도 필요합니다. 공개 파일에는 계층(Stratum), PSU(Personal Survey Unit), 가중치(Weight)가 포함되어 있습니다. 정의에 부합하는 사례들의 가중치를 합산하면 전국 추정치가 산출됩니다. 계층과 PSU를 조사 설계로 지정하는 것이 표준 오차를 정확하게 계산하는 핵심입니다. 설계 변수 없이 계산된 가중 점추정치는 일반적으로 표준 오차가 너무 작아 신뢰구간이 너무 좁아집니다.

NEISS 데이터베이스에서 주 또는 카운티 수준의 추정치를 얻을 수 있나요?

아니요. 이는 NEISS 관련 문헌에서 가장 빈번하게 보고되는 한계점입니다. CDC에서 NEISS-AIP 관련 논문 167편을 검토한 결과, 저자들이 가장 많이 언급한 한계점은 시스템이 전국적인 추정치만 산출하며 주 또는 카운티 수준의 감시에는 사용할 수 없다는 점이었습니다. 기존 설계에서는 14개 주에 참여 병원이 전혀 없었습니다.

NEISS 코딩의 정확도는 어느 정도인가요?

정확한 정확도를 나타내는 단일 수치는 없으며, 이를 인용하는 출처는 모두 의심스럽게 여겨야 합니다. NEISS 소속 소아병원에서 실시한 기록 연계 연구에 따르면, 표본 사례의 13.32%가 ICD-9-CM 기준에 따라 비손상으로 분류되었으며, 실제 손상 사례 간의 일치도는 카파 계수 0.87(95% 신뢰구간 0.85~0.88)이었습니다. CDC의 ICD-9-CM 정의와 비교했을 때, NEISS에서 권장하는 외상성 뇌손상 정의는 민감도 91.0%, 양성 예측값 76.5%를 나타냈습니다. 첫 번째 연구의 저자들은 사례 기록을 수동으로 검토하는 것을 최선의 방법으로 권장합니다.

NEISS 데이터는 무료인가요? 그리고 얼마나 오래전 데이터까지 이용할 수 있나요?

NEISS 공개 자료는 무료로 제공되며, 별도의 신청이나 데이터 사용 계약이 필요하지 않습니다. 연간 자료는 2006년부터 2025년까지의 치료 연도에 대해 CPSC 질의응답 포털을 통해 Excel, 탭으로 구분된 텍스트, SAS 형식으로 다운로드할 수 있습니다. 일반적으로 매년 4월에 새로운 연도 자료가 제공되지만, 경우에 따라 지연될 수도 있습니다. 예를 들어, 2025년 치료 날짜에 대한 데이터는 2026년 5월 7일에 제공되었습니다.

NEISS에서 제품이 부상을 유발했는지 여부를 알려줄 수 있나요?

아닙니다. CPSC의 공식 표현에 따르면 NEISS는 "특정 소비자 제품과 연관되어 있지만 반드시 그 제품으로 인해 발생한 것은 아닌" 부상 추정치를 지원합니다. 제품 코드는 해당 제품이 사고 현장에 있었다는 사실만 기록할 뿐, 제품이 부상을 유발했다는 것을 의미하지는 않습니다. 또한 NEISS에는 환자 식별 정보, 후속 조치 및 진료 후 결과 데이터가 없으므로 인과 관계 및 결과 관련 질문은 모두 이 시스템에서 지원할 수 있는 범위를 벗어납니다.

참고자료

1. Thompson MC, Wheeler KK, Shi J, Smith GA, Xiang H. NEISS와 ICD-9-CM 상해 코딩 간의 비교 가능성 평가. PLoS One. 2014;9(3):e92052. doi:10.1371 / journal.pone.0092052PMID: 24658100.
2. Thompson MC, Wheeler KK, Shi J, Smith GA, Groner JI, Haley KJ, Xiang H. NEISS를 이용한 소아 외상성 뇌손상 감시: 적절한 사례 정의 선택. Brain Inj. 2014;28(4):431-7. doi:10.3109/02699052.2014.887146PMID: 24564802.
3. Navon L, Chen LH, Cowhig M, Wolkin AF. 20년간의 비치명적 부상 데이터: 국가 전자 부상 감시 시스템-모든 부상 프로그램(2001-2021)에 대한 범위 검토. Inj Epidemiol. 2023;10(1):44. doi:10.1186/s40621-023-00455-4PMID: 37679835.
4. Durand WM, Stey PC, Chen ES, Sarkar IN. 복잡한 건강 조사 데이터의 집계 결과 추세 분석. AMIA Jt Summits Transl Sci Proc. 2018;2017:349-58. PMID: 29888093.
5. Parker ST. 자연어 처리 및 기계 학습 모델을 이용한 비치명적 총상 위치 추정. JAMA Netw Open. 2020;3(10):e2020664. doi:10.1001 / jamanetworkopen.2020.20664PMID: 33052403.
6. Omaki E, Shields W, Rouhizadeh M, Delgado-Barroso P, Stefanos R, Gielen A. 소아 낙상 부상 상황 이해: NEISS 서술에 대한 기계 학습 분석. Inj Prev. 2023;29(5):384-8. doi:10.1136/ip-2023-044858PMID: 37399309.
7. Carpenito T, Miller M, Manjourides J, Azrael D. 슈퍼러닝을 이용한 다중 대체를 통해 비치명적 총기 부상에 대한 의도 할당. Prev Med. 2022;163:107183. doi:10.1016 / j.ypmed.2022.107183PMID: 35964778.
8. Budnitz DS, Shehab N, Lovegrove MC, Geller AI, Lind JN, Pollock DA. 2017-2019년 미국 응급실 방문 중 약물 부작용으로 인한 방문. JAMA. 2021;326(13):1299-1309. doi:10.1001 / jama.2021.13844PMID: 34609453.
9. Shields W, Dong Y, Jager L, Shiang E, Frattaroli S, Omaki E. NEISS 데이터베이스를 사용하여 미국 내 압력솥 관련 부상을 이해합니다. Inj Prev. 2023;29(6):506-10. doi:10.1136/ip-2023-044910PMID: 37666516.
10. Lacher CR, Koc I, Tsui JC. 응급실에 내원한 환자들의 피클볼 관련 안구 손상. JAMA Ophthalmol. 2025;143(11):938-44. doi:10.1001/jamaophthalmol.2025.3577PMID: 41100112.
11. Blakney AM, Griggs E, Farrell S, Lindsey K, Chang JT. 2020년부터 2024년까지 미국 응급실에 내원한 전자 니코틴 전달 시스템(ENDS) 배터리 관련 폭발 및 화상. Prev Med. 2026;207:108563. doi:10.1016 / j.ypmed.2026.108563PMID: 41875938.
12. Neuroth LM, Humphries KD, Wing JJ, Smith GA, Zhu M. 미국에서 자동차 관련 전동 스쿠터 부상: NEISS 데이터에 대한 기술적 분석. Am J Emerg Med. 2022;55:1-5. doi:10.1016/j.ajem.2022.02.004PMID: 35228017.
13. Akomaning E, Osei SP, Bhagavathula AS. 미국에서 전기 스쿠터 및 전기 자전거 사용으로 인한 알코올 관련 부상(2019-2022): 후향적 연구. Inj Prev. 2026;32(4):565-70. doi:10.1136/ip-2024-045461PMID: 39653429.
14. Xiao JB, Siu JM, Propst EJ, Wolter NE. 소아 식도 내용물에 반영된 소비자 트렌드: 20년 검토. Laryngoscope. 2024;135(1):438-44. doi:10.1002/lary.31728PMID: 39177065.
15. Hammig B, Haldeman S. 미국에서의 계단 관련 낙상: 외상성 뇌손상 및 알코올 중독의 역할. J Epidemiol Community Health. 2023;77(1):44-8. doi:10.1136/jech-2022-219396PMID: 36328421.
16. Bhagavathula A, Price JH, Khubchandani J. 미국 근로 연령 성인의 비치명적 총기 부상 추세 및 불균형, 2000-2021. J Community Health. 2025;50(3):454-63. doi:10.1007/s10900-024-01431-9PMID: 39702661.
17. Dell NA, Vaughn MG, Salas-Wright CP. 노숙자 중 총기 부상: 미국 응급실 전국 설문조사를 통한 횡단면적 증거. Public Health Pract (Oxf). 2023;6:100446. doi:10.1016/j.puhip.2023.100446PMID: 37954558.
18. Ehlman DC, Haileyesus T, Lee R, Ballesteros MF, Yard E. 미국 국가 전자 상해 감시 시스템(NEIS) – 모든 상해 프로그램의 자해 폭력 데이터 평가, 2018년. J Safety Res. 2021;76:327-31. doi:10.1016/j.jsr.2020.12.002PMID: 33653565.
19. Chen W, Wheeler KK, Lin S, Huang Y, Xiang H. NEISS 서술 데이터를 이용한 외상성 뇌손상의 컴퓨터화된 "학습형" 분류. Accid Anal Prev. 2016;89:111-7. doi:10.1016/j.aap.2016.01.012PMID: 26851618.
20. 미국 소비자제품안전위원회. NEISS 데이터 주요 내용 2024. 다음에서 이용 가능: cpsc.gov.
21. Schroeder T, Ault K. NEISS 표본(설계 및 구현) 1979년부터 1996년까지. 워싱턴 D.C.: 미국 소비자제품안전위원회; 2001년 6월. 다음에서 이용 가능: cpsc.gov.
22. 미국 의료연구품질청(Agency for Healthcare Research and Quality). 전국 응급실 표본 조사(NEDS) 개요. 의료비용 및 활용 프로젝트. 다음에서 이용 가능: hcup-us.ahrq.gov.