Quy trình chuyến thăm phòng cấp cứu của bạn trở thành dữ liệu NEISS: Hướng dẫn dành cho nhà nghiên cứu về cơ sở dữ liệu NEISS.

Hàng năm, khoảng 400,000 hồ sơ thương tích từ các khoa cấp cứu của bệnh viện Mỹ được đưa vào một tập dữ liệu công khai mà bất kỳ ai cũng có thể tải xuống miễn phí. Tập dữ liệu đó là cơ sở dữ liệu NEISS , Hệ thống Giám sát Thương tích Điện tử Quốc gia, do Ủy ban An toàn Sản phẩm Tiêu dùng Hoa Kỳ (CPSC) điều hành từ năm 1972. Nếu bạn được điều trị thương tích liên quan đến sản phẩm tại một trong những bệnh viện được chọn mẫu, thì phiên bản đã được ẩn danh về lần khám của bạn có thể nằm trong đó, được rút gọn thành khoảng hai mươi trường mã hóa và một câu văn bản tự do.

Bài viết này theo dõi toàn bộ quá trình xử lý một ca chấn thương duy nhất: từ biểu đồ mà bác sĩ lâm sàng viết lúc 2 giờ sáng, đến người mã hóa dịch nó, đến cân nặng để quy đổi thành con số quốc gia, đến dòng dữ liệu mà nhà nghiên cứu tải xuống một năm sau đó. Bài viết cũng đính chính quan niệm sai lầm tai hại nhất về bộ dữ liệu này, đó là việc cho rằng nó sử dụng mã ICD-10. Thực tế không phải vậy, và một nghiên cứu được thiết kế dựa trên giả định đó đã thất bại ngay từ đầu.

Các nội dung chính

• Một mẫu xác suất phân tầng của 100 bệnh viện Dữ liệu được thu thập từ 4,723 khoa cấp cứu đủ điều kiện tại Hoa Kỳ. Không phải tất cả đều báo cáo hàng năm: chỉ có 96 khoa báo cáo vào năm 2023. 77 trên 100 vào năm 2024.
• Nó thu thập gần 400,000 vụ việc liên quan đến sản phẩm mỗi nămĐó là con số kỷ lục, không phải con số toàn quốc.
• NEISS làm được điều đó không Sử dụng ICD-10-CM hoặc ICD-10-PCS. Hệ thống này sử dụng các bộ mã nội bộ khép kín: 26 mã bộ phận cơ thể, 30 mã chẩn đoán, mã sản phẩm bốn chữ số, tối đa ba mã cho mỗi trường hợp.
• Mỗi hộp đều có một WeightTệp này cũng được gửi đi. Stratum và PSUCả ba yếu tố này đều cần thiết để có được ước tính đáng tin cậy và sai số chuẩn chính xác.
• Các tệp dữ liệu này được cung cấp miễn phí và công khai cho các năm điều trị từ 2006 đến 2025. Hệ thống đang được xây dựng lại, với phiên bản hiện đại hóa của CPSC dự kiến ​​sẽ hoạt động đầy đủ vào đầu năm 2027.

Cơ sở dữ liệu NEISS thực chất là gì?

CPSC gọi NEISS là “hệ thống thu thập dữ liệu và giám sát theo dõi lớn nhất và năng động nhất”. Mục đích của nó là cho phép các nhà phân tích của CPSC đưa ra các ước tính quốc gia kịp thời về các thương tích liên quan đến (nhưng không nhất thiết do) các sản phẩm tiêu dùng cụ thể gây ra. Đoạn văn trong ngoặc đơn đó là cách diễn đạt của chính CPSC trên phần Hỏi đáp chính thức về NEISS , và đó là câu quan trọng nhất trên trang đó. Cơ sở dữ liệu NEISS thiết lập mối liên hệ, chứ không phải nguyên nhân, và không có sự tinh vi về thống kê nào được áp dụng sau đó có thể chuyển đổi cái này thành cái kia.

Mẫu nghiên cứu gồm 100 bệnh viện được chọn từ khung dữ liệu năm 2020 gồm 4,723 khoa cấp cứu đủ điều kiện, đại diện cho 155,707,175 lượt khám cấp cứu hàng năm. Điều kiện để đủ điều kiện tham gia nghiên cứu là bệnh viện phải nằm ở Hoa Kỳ, có ít nhất sáu giường bệnh nội trú và khoa cấp cứu hoạt động 24 giờ. Năm nhóm được chia thành bốn nhóm theo quy mô khoa cấp cứu cộng với một nhóm bệnh viện nhi.

Nguồn: Tuyên bố hỗ trợ của CPSC về việc thu thập thông tin, Phần B (bản đệ trình lên OMB). Được biên soạn bởi Editverse.

Có hai điều cần lưu ý. Mẫu nghiên cứu chính xác là 100, chứ không phải "hơn 100" như hầu hết các nguồn thứ cấp mô tả. Và số lượng bệnh viện thực sự báo cáo thay đổi: 96 bệnh viện năm 2019, 96 bệnh viện năm 2023 và 77/100 bệnh viện năm 2024. Trọng số được điều chỉnh cho trường hợp không phản hồi, nhưng một nghiên cứu so sánh năm 2019 với năm 2024 đang so sánh các giai đoạn có cơ sở báo cáo khác biệt đáng kể, và người đánh giá am hiểu hệ thống sẽ đặt câu hỏi. Bài viết bổ sung của chúng tôi về việc liệu số liệu thống kê thương tích NEISS có đáng tin cậy hay không sẽ phân tích tác động của điều đó đến việc ước tính tính ổn định.

Cần làm rõ thêm một điểm khác biệt nữa ngay từ đầu. Cơ sở dữ liệu NEISS có các hệ thống con dựa trên các tập hợp con bệnh viện và định nghĩa ca bệnh khác nhau: NEISS-AIP (tất cả các loại thương tích, với CDC, từ năm 2000), NEISS-Work (chấn thương nghề nghiệp, với NIOSH, khoảng 67 khoa cấp cứu), NEISS-CADES (các sự kiện bất lợi do thuốc, 60 khoa cấp cứu từ năm 2017 đến 2019), và NEISS-FISS (thương tích do súng). Việc trích dẫn tỷ lệ NEISS-Work như một con số “NEISS” là một lỗi sai về mặt thực tế ngay cả khi bài báo gốc hoàn toàn chính xác.

Bước 1: Những gì được ghi lại tại bệnh viện

Một người bị ngã xe điện, đến phòng cấp cứu được chọn ngẫu nhiên và được điều trị vì gãy xương cổ tay. Hồ sơ bệnh án của lần khám đó đầy đủ: ghi chú phân loại bệnh nhân, khám lâm sàng, chụp chiếu, hướng dẫn xuất viện. Hầu như không có thông tin nào được đưa vào cơ sở dữ liệu NEISS.

Những gì được đưa vào cơ sở dữ liệu NEISS là những gì một người tóm tắt được đào tạo trích xuất từ ​​hồ sơ bệnh án thành một cấu trúc cố định. Theo thiết kế cũ, đây là quá trình tóm tắt hồ sơ y tế thủ công, chứ không phải là quá trình tự động chuyển dữ liệu từ hồ sơ sức khỏe điện tử, điều mà quá trình hiện đại hóa của CPSC nhằm mục đích thay thế. Người tóm tắt trả lời một bộ câu hỏi nhất định, sau đó viết một câu ngắn mô tả sự kiện.

Danh sách đầy đủ các biến dùng chung khá ngắn gọn nên có thể in ra: 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, WeightĐó là toàn bộ hồ sơ. Bất kỳ thông tin nào cần bổ sung như bệnh lý đi kèm, chi phí, thời gian nằm viện, kết quả chẩn đoán hình ảnh hoặc kết quả sau khi xuất viện đều không thể được giải đáp ở đây.

Có một chi tiết thu hút hầu hết người dùng mới: Age Đây không phải là một số nguyên thông thường. 0 nghĩa là tuổi không được ghi lại. 2 đến 120 là năm, và 201 đến 223 có độ tuổi từ 1 đến 23. thángNếu bạn đọc cột đó một cách thiếu suy xét, bạn sẽ tạo ra một nhóm người từ 201 đến 223 tuổi, nhóm này vượt qua mọi kiểm tra cú pháp và phá hủy mọi ước tính phân tầng theo độ tuổi mà bạn tạo ra.

Bước 2: Mã hóa và lý do tại sao cơ sở dữ liệu NEISS không sử dụng ICD-10

Đây là phần quan trọng nhất, và cũng là nơi mà phiên bản trước của bài viết này đã sai. Bài viết đó đã nêu rằng các nhân viên mã hóa NEISS phân loại thương tích bằng cách sử dụng ICD-10-CM/PCS. Điều đó là sai. Hậu quả rất rõ ràng: một nhà nghiên cứu lên kế hoạch phân tích NEISS dựa trên ICD-10 phát hiện ra giữa chừng dự án rằng biến số đó không tồn tại.

Cơ sở dữ liệu NEISS sử dụng các bộ mã nội bộ khép kín do CPSC duy trì. Mỗi giá trị được cho phép đều được liệt kê trong Từ điển dữ liệu NEISS , và các quy tắc áp dụng chúng được nêu trong Sổ tay mã hóa NEISS :

• Bộ phận cơ thể: một mã hai chữ số với 26 giá trị hiện tại, ví dụ: 30 Vai, 34 Cổ tay, 35 Đầu gối, 75 Đầu, 77 Nhãn cầu, 82 Bàn tay, 92 Ngón tay, 94 Tai. Bốn mã cũ (78, 86, 90, 91) được đánh dấu “(Cũ)” và cần được xử lý cẩn thận trong các chuỗi dài.
• Chẩn đoán: một mã gồm hai chữ số với 30 giá trị, ví dụ: 52 Chấn động não, 57 Gãy xương, 59 Vết rách, 63 Vết đâm, 64 Bong gân/Căng cơ, 68 Ngộ độc, 71 Khác/Không được nêu rõ. Khi chẩn đoán là 71, văn bản tự do sẽ được điền. Other_Diagnosis Trường này chứa đựng ý nghĩa mà người lập trình muốn truyền tải.
• Sản phẩm: mã CPSC bốn chữ số không có mã tương đương bên ngoài, tối đa ba mã mỗi thùng, các vị trí chưa sử dụng đã được điền đầy đủ 0000.
• Bố tríBảy trường hợp, bao gồm 1 trường hợp được điều trị và xuất viện, 4 trường hợp được điều trị và nhập viện, và 8 trường hợp tử vong. Địa điểmChín giá trị, từ 1 (Nhà) đến 9 (Địa điểm giải trí hoặc thể thao).

Đó là toàn bộ vốn từ vựng lâm sàng. Ba mươi mã chẩn đoán không phải là nhiều: không có thông tin về bên nào bị ảnh hưởng, không có thang đo mức độ nghiêm trọng, không có thứ bậc nguyên nhân bên ngoài, không có mã hóa thủ thuật. Nếu câu hỏi của bạn cần bất kỳ thông tin nào trong số đó, thì NEISS không phải là bộ dữ liệu phù hợp, và việc lựa chọn đúng ngay từ đầu là điểm mấu chốt của hướng dẫn này về việc nghiên cứu của bạn nên sử dụng cơ sở dữ liệu y tế nào . Hệ thống sử dụng ICD-10-CM/PCS là NEDS, sẽ được so sánh ở phần sau của bài viết này.

Các bộ quy tắc cũng thay đổi. CPSC duy trì một Bảng so sánh mã sản phẩm Bảng này ghi lại mọi mã sản phẩm đã được hợp nhất, tách ra, xóa hoặc kích hoạt lại kể từ năm 1972. Dụng cụ mở nút chai (0416) đã bị xóa vào năm 1983, được khôi phục vào năm 1994, bị xóa lại vào năm 1995, và được khôi phục vào tháng 5 năm 2000. Máy cưa điện cố định (0825) đã được tách thành các mã từ 0841 đến 0845 từ năm 1974. Nếu bạn truy vấn một mã sản phẩm trong hai thập kỷ mà không có bảng này, bạn sẽ công bố một xu hướng không chính xác. Một số cột cũng có ngày bắt đầu cố định: Body_Part_2, Diagnosis_2, Product_3, Hispanic, Alcohol và Drug chỉ tồn tại từ năm 2019, và Sex = 3 Chỉ áp dụng từ năm 2021 trở đi. Bất kỳ chuỗi nào trải dài từ năm 2018 đến năm 2019 hoặc từ năm 2020 đến năm 2021 đều chứa một sự gián đoạn về cấu trúc. Để biết cách người lập trình lựa chọn giữa hai mã khả thi, hãy xem Cách thức gán mã sản phẩm và mã chẩn đoán NEISS..

Bước 3: Đoạn văn mô tả 400 ký tự làm nên sự độc đáo của cơ sở dữ liệu NEISS

Sau phần giải thích về các trường dữ liệu được mã hóa, lý do nhiều nhà nghiên cứu lựa chọn cơ sở dữ liệu NEISS thay vì các cơ sở dữ liệu lớn hơn là: Narrative, một đoạn mô tả sự kiện dạng văn bản tự do, tối đa 400 ký tự.

Sổ tay hướng dẫn mã hóa rất cụ thể. Phần tường thuật phải bắt đầu bằng chữ viết tắt tuổi và giới tính (“25YOM”, “19MOF”), sử dụng chữ thường và chính tả đúng, nêu tên sản phẩm cụ thể, đặt chẩn đoán lâm sàng ở cuối kèm theo “DX:”, ghi nồng độ cồn trong máu bằng ba chữ số (“BAC 080”), và không chứa thông tin nhận dạng cá nhân. Một ví dụ thực tế như sau: Nữ 28 tuổi đi xe điện va vào lề đường và ngã chống tay. DX: gãy cổ tay.

400 ký tự được viết dưới áp lực thời gian là một công cụ mỏng manh. Nó cũng là nơi duy nhất trong bộ máy giám sát thương tích liên bang ghi lại hoàn cảnh xảy ra thương tích ở quy mô quốc gia. NEDS không có thứ gì tương tự. Chính vì lĩnh vực duy nhất đó mà các nghiên cứu sau đây có thể thực hiện được:

• Shields và các đồng nghiệp đã đọc các bản tường thuật về nồi áp suất từ ​​năm 2003 đến 2019 để phân loại các yếu tố gây ra thành bốn nhóm không tồn tại trong bất kỳ trường mã hóa nào: chất gây cháy, bị sản phẩm va vào, bị thương khi mở, và các nguyên nhân khác. Từ 759 trường hợp thực tế, họ đã đưa ra ước tính toàn quốc về 28,337 trường hợp bị thương (khoảng tin cậy 95% từ 24,588 đến 32,086), tương đương khoảng 1,667 trường hợp mỗi năm.⁹
• Dell và các đồng nghiệp đã xác định tình trạng vô gia cư có thể xảy ra trong hồ sơ súng của NEISS-FISS chỉ dựa trên phần tường thuật đã được ẩn danh, trong 0.10% trường hợp (n = 3,225), với hành hung là cơ chế gây án trong 82.64%. NEISS không có biến số về tình trạng nhà ở; phần tường thuật đã cung cấp biến số này.¹⁷
• Parker đã áp dụng xử lý ngôn ngữ tự nhiên (NLP) cho 59,025 câu chuyện về tiếng súng chưa được trọng số hóa từ năm 1993 đến năm 2015 và đã thay đổi bức tranh toàn cảnh quốc gia. Các ước tính trước đây cho thấy nhà riêng là địa điểm xảy ra nhiều vụ nổ súng nhất với 23.4%, tiếp theo là đường phố hoặc đường cao tốc với 22.9%; sau khi phân loại bằng NLP, đường phố hoặc đường cao tốc trở thành địa điểm xảy ra nhiều nhất với 46.1% và nhà riêng là 37.7%.⁵
• Omaki và các đồng nghiệp đã mã hóa thủ công 4,546 câu chuyện để huấn luyện một mô hình, áp dụng nó vào 91,325 trường hợp trẻ em dưới 5 tuổi bị ngã đã được mã hóa, và phát hiện ra rằng trẻ sơ sinh ngã từ giường chiếm 33% các trường hợp chấn thương do ngã.⁶
• Chen và các đồng nghiệp đã chứng minh rằng chi phí lao động là hoàn toàn khả thi: một công cụ học máy tương tác đã rút ngắn thời gian phân loại hàng chục nghìn câu chuyện về chấn thương sọ não từ nhiều ngày xuống còn vài phút sau khoảng 60 phút huấn luyện.¹⁹

Việc xây dựng câu chuyện là một quyết định thiết kế, chứ không phải là một ý nghĩ nảy ra sau đó. Nếu câu hỏi của bạn cần chi tiết về hoàn cảnh, bạn sẽ phải thực hiện việc xem xét thủ công hoặc sử dụng bộ phân loại cộng với một mẫu con để xác thực, và điều đó cần được ghi trong quy trình. Bài viết của chúng tôi về lĩnh vực tường thuật văn bản tự do sẽ đi sâu hơn vào chiến lược trích xuất.

Bước 4: Trọng lượng biến một bản ghi thành ước tính quốc gia

Đây là điểm mà hầu hết các bài báo NEISS thành công hoặc thất bại.

Vì cơ sở dữ liệu NEISS là một mẫu xác suất, nên mỗi trường hợp đều mang một trọng số thống kê. Công thức riêng của CPSC là các ước tính quốc gia “được tính bằng cách cộng tổng các trọng số thống kê cho các trường hợp thương tích phù hợp”. Trọng số này không phải là một hằng số. Nó là nghịch đảo của xác suất được chọn của bệnh viện trong phân tầng của nó, được điều chỉnh cho trường hợp không phản hồi và sáp nhập bệnh viện. Schroeder và Ault đưa ra công thức như sau:

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

Trong đó, thuộc tầng h : N là số bệnh viện trong khung, n là số bệnh viện được chọn, n' là số bệnh viện nằm trong phạm vi, r là số bệnh viện tham gia. Vì vậy, một bản ghi từ một bệnh viện thuộc tầng nhỏ có thể có trọng lượng lớn hơn nhiều so với một bản ghi từ một khoa cấp cứu rất lớn. Do đó, số lượng hàng NEISS không trọng số không phải là phiên bản nhỏ hơn của số liệu quốc gia. Nó là một đại lượng khác với hình dạng khác.

Hai con số đã làm rõ vấn đề, và phiên bản trước của bài viết này đã gộp chung chúng. Con số về số vụ việc được thu thập là của chính CPSC: “gần 400,000 vụ việc liên quan đến sản phẩm” mỗi năm. Ước tính có trọng số trên toàn quốc lại có quy mô khác; con số gần đây nhất mà CPSC công bố về tất cả các sản phẩm là 10,994,000 trường hợp thương tích liên quan đến sản phẩm tiêu dùng được điều trị tại khoa cấp cứu trong năm dương lịch 2020, với hai lưu ý: năm 2020 là năm đại dịch với số lượng bệnh nhân đến khoa cấp cứu giảm, và CPSC không thường xuyên công bố một tổng số duy nhất đã loại bỏ các trường hợp trùng lặp về tất cả các sản phẩm.

Lý do hệ thống tránh đưa ra tổng số đó rất đáng chú ý. Mỗi bản phát hành Data Highlights đều nêu rõ rằng “hệ thống dữ liệu cho phép báo cáo tối đa ba sản phẩm cho mỗi trường hợp thương tích của một người, vì vậy thương tích của một người có thể được tính vào ba nhóm sản phẩm.” Cộng các danh mục đã công bố lại, bạn sẽ tính trùng lặp và tính ba lần số người bị thương. Các ước tính năm 2024 theo từng danh mục riêng lẻ có thể được trích dẫn một cách an toàn: cầu thang, đường dốc, chiếu nghỉ và sàn nhà là 3,101,789; giường, nệm và gối là 1,114,811; ghế, ghế sofa và giường sofa là 756,953; thiết bị phòng tắm là 658,680; thiết bị tập thể dục là 564,845.

Các biến thiết kế được cung cấp trong tệp công khai như sau: Stratum, PSU (bệnh viện được chọn mẫu) và Weight, hoặc là Wt Trong tệp SAS. Việc áp dụng trọng số mà không khai báo các tầng và cụm sẽ cho ra một ước tính điểm có thể bảo vệ được kèm theo một sai số chuẩn thường quá nhỏ, do đó khoảng tin cậy trở nên quá hẹp và giá trị p quá lớn. Durand và các đồng nghiệp đã sử dụng chính NEISS làm trường hợp thử nghiệm của họ và báo cáo rằng “trong hầu hết các trường hợp, các phương pháp hiệu chỉnh thiết kế cho thấy sự khác biệt rõ rệt so với các kỹ thuật thống kê tiêu chuẩn.”⁴ Nếu bạn chưa từng thấy thiết kế có thể tác động mạnh mẽ đến kết quả như thế nào, thì minh chứng rõ ràng nhất trên trang web này chính là... Điều gì đã xảy ra khi chúng ta thực hiện cùng một phân tích NHANES theo ba cách khác nhau?Để hiểu rõ hơn về lý thuyết lấy mẫu đằng sau trọng số NEISS, vui lòng xem... Cách NEISS điều chỉnh trọng số của mẫu để so sánh với ước tính quốc gia.

CPSC cũng công bố các quy tắc về khả năng báo cáo đáng để tham khảo. Sự chênh lệch được báo cáo dưới dạng hệ số biến thiên, CV bằng căn bậc hai của sự chênh lệch chia cho ước tính; khoảng tin cậy 95% là ước tính cộng hoặc trừ (1.96 x ước tính x CV); và CPSC coi một ước tính là không ổn định, và sẽ không báo cáo, khi ước tính dưới 1,200, số ca bệnh đóng góp ít hơn 20, hoặc CV vượt quá 33%.

Bước 5: Phát hành và cách tải xuống các tệp cơ sở dữ liệu NEISS

Các bản ghi được xác thực, tính trọng số và công bố hàng năm. CPSC cho biết dữ liệu về ngày xử lý của năm dương lịch gần nhất thường có sẵn vào tháng Tư của năm tiếp theo. Trên thực tế, lịch trình bị chậm trễ: dữ liệu về ngày xử lý năm 2025 có sẵn vào ngày 7 tháng 5 năm 2026. Hãy lên kế hoạch dựa trên "khoảng một năm cộng thêm vài tháng", chứ không phải dựa trên các khung thời gian xử lý 72 giờ hoặc hai đến bốn tuần được bịa đặt đang lan truyền trên các trang web chuyên cung cấp nội dung về bộ dữ liệu này.

Việc lấy dữ liệu thực sự rất dễ dàng. Không cần nộp đơn, không cần thỏa thuận sử dụng dữ liệu, không mất phí:

• Công cụ tạo truy vấn và tải xuống dữ liệu ước tính NEISS., với các tệp dữ liệu hàng năm cho các năm điều trị từ 2006 đến 2025 ở định dạng Excel, văn bản phân tách bằng dấu tab và định dạng SAS.
• Giải thích của CPSC về cách thức đưa ra các ước tính của chính họ.bao gồm cả các quy tắc về CV và khả năng báo cáo nêu trên.
• Bản mô tả chương trình NEISS của CPSC, hữu ích cho phần mở đầu của mục phương pháp.

Một lưu ý mà CPSC nêu rõ, và cần được đưa vào đoạn giới hạn của bạn: các ước tính mà người dùng tạo ra thông qua trang web “có thể khác với các ấn phẩm của CPSC do sự khác biệt trong phân tích xử lý dữ liệu”. Hãy nói rõ điều này thay vì để người đánh giá tự tìm ra. Hướng dẫn chi tiết về cách tải xuống và cấu trúc tệp được trình bày trong phần hướng dẫn cách lấy các tệp dữ liệu NEISS.

Ví dụ minh họa chính xác: So sánh các hàng trong cơ sở dữ liệu NEISS với ước tính quốc gia.

Phiên bản trước của bài viết này đã cung cấp một đoạn mã Stata sử dụng... discwt và hosp_edĐó là tên biến HCUP/NEDS; chúng không tồn tại trong tệp NEISS và mã không thể chạy. Đây là phiên bản đã được sửa lỗi.

* ---- 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

Thiết kế tương tự trong R với survey gói:

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%.

Trong SAS, điều tương đương là PROC SURVEYMEANS or PROC SURVEYFREQ với STRATA Stratum; CLUSTER PSU; WEIGHT Wt;.

Hai thói quen phân biệt các phân tích NEISS có thể xuất bản với những phân tích bị từ chối. Luôn báo cáo số ca bệnh không trọng số bên cạnh ước tính có trọng số: ví dụ gần đây nhất rõ ràng nhất là bài báo về môn pickleball trên tạp chí JAMA Ophthalmology, báo cáo ước tính 3,112 trường hợp chấn thương mắt xuất phát từ 73 trường hợp không trọng số, với xu hướng hồi quy có trọng số khảo sát là 405 trường hợp bổ sung mỗi năm (khoảng tin cậy 95% từ 288 đến 522, P = 0.004). ¹⁰ Người đọc sẽ thấy ngay dữ liệu cơ bản mỏng như thế nào. Và hãy chọn tập con bằng tùy chọn nhóm con thay vì xóa hàng, vì việc xóa hàng sẽ loại bỏ thông tin mà công cụ ước tính phương sai cần về toàn bộ thiết kế. Để kiểm tra tính hợp lý của tỷ lệ bạn đã tính toán, công cụ tính tỷ lệ mắc bệnh miễn phí của chúng tôi sẽ xử lý các phép tính.

Các nhà nghiên cứu đã giải đáp được những câu hỏi nào nhờ cơ sở dữ liệu NEISS?

Một đánh giá tổng quan do CDC thực hiện đã sàng lọc 6,944 trích dẫn và xác định được 167 bài báo được bình duyệt sử dụng NEISS-AIP làm nguồn dữ liệu chính từ năm 2001 đến năm 2021, trung bình 8.0 bài báo mỗi năm trên 72 tạp chí.3 ^Đó chỉ là tập hợp con của NEISS-AIP; tài liệu NEISS rộng hơn còn lớn hơn đáng kể. Các nghiên cứu gần đây cho thấy hệ thống này mạnh nhất ở đâu.

Di chuyển siêu nhỏ. Neuroth và các đồng nghiệp ước tính có 60,554 trường hợp chấn thương do xe điện scooter được điều trị tại các khoa cấp cứu của Hoa Kỳ từ năm 2015 đến năm 2019 (khoảng tin cậy 95% từ 37,525 đến 84,594), trong đó khoảng 19% liên quan đến xe cơ giới; những trường hợp này được nhập viện thường xuyên hơn (14.6% so với 8.8%, p < 0.01).^¹² Akomaning và các đồng nghiệp, dựa trên 4,020 hồ sơ xe điện scooter và xe đạp điện chưa được trọng số hóa, đã báo cáo ước tính có trọng số là 279,990 lượt sử dụng xe điện scooter và mức tăng gấp ba lần từ 22,835 lượt vào năm 2019 lên 65,892 lượt vào năm 2022, với tỷ lệ nam giới liên quan đến rượu cao gấp 2.61 lần (khoảng tin cậy 95% từ 1.84 đến 3.69).^¹³

Tổn thương do pin lithium-ion. Phiên bản trước của bài báo này đưa ra hai con số mâu thuẫn, 37% và 142%, không có nguồn dẫn chứng. Điều thực sự được công bố: Các tác giả của FDA phân tích dữ liệu NEISS từ năm 2020 đến 2024 ước tính có 2,043 lượt khám cấp cứu (khoảng tin cậy 95% từ 1,326 đến 2,760) do nổ và bỏng pin của hệ thống phân phối nicotine điện tử, được rút ra từ 52 trường hợp không được trọng số hóa, với 26.3% cần nhập viện. ¹¹ Lưu ý hình dạng: ít hồ sơ, khoảng rộng, tỷ lệ nhập viện cao bất thường. Một phân tích hợp lệ, và là một minh họa tốt về việc NEISS có thể thiếu chính xác như thế nào đối với một mối nguy hiểm mới nổi.

Chấn thương ở trẻ em. Xiao và các đồng nghiệp đã xem xét 20 năm các trường hợp dị vật thực quản ở trẻ em: 52,315 trường hợp chưa được tính trọng số, đưa ra ước tính toàn quốc là 1,589,325 trường hợp, trong đó tiền xu chiếm 37.6% và pin chiếm 6.8%, và tỷ lệ mắc bệnh tăng từ 7.3 lên 14.2 trên 10,000 trẻ em (p < 0.0001). ¹⁴ Cơ sở dữ liệu NEISS trả lời câu hỏi này tốt hơn bất kỳ nguồn nào khác hiện có, bởi vì sản phẩm là sự tiếp xúc và sản phẩm được mã hóa.

Té ngã. Hammig và Haldeman ước tính có 687,902 lượt khám cấp cứu do té ngã cầu thang ở những người từ 15 đến 64 tuổi chỉ riêng trong năm 2019, trong đó tình trạng say rượu có liên quan đến tỷ lệ chấn thương sọ não cao hơn (tỷ lệ hiện mắc 2.7, khoảng tin cậy 95% từ 2.3 đến 3.1). ¹⁵

Chấn thương do súng và bẫy hệ thống con. Bhagavathula và các đồng nghiệp, sử dụng dữ liệu NEISS-FISS từ năm 2000 đến năm 2021, ước tính có 2.36 triệu trường hợp chấn thương do súng không gây tử vong ở người trưởng thành trong độ tuổi lao động tại Hoa Kỳ, nam giới chiếm 85.7%.^¹⁶ Bên cạnh đó là bản tóm tắt tốt nhất hiện có về thời điểm nên chọn cơ sở dữ liệu nào: Carpenito và các đồng nghiệp cho rằng HCUP-NEDS “cung cấp dữ liệu chính xác về số lượng chấn thương do súng không gây tử vong, [nhưng] ý ​​định gây thương tích không được mã hóa một cách đáng tin cậy”, trong khi NEISS-FISS mã hóa ý định một cách đáng tin cậy nhưng “quá nhỏ để đưa ra ước tính ổn định về số lượng các sự kiện này”.^⁷

Tác hại do thuốc. Phân tích NEISS-CADES trên tạp chí JAMA rất đáng đọc như một mẫu trình bày. Từ 96,925 trường hợp tại 60 khoa cấp cứu, các tác giả ước tính có 6.1 lượt khám do tác hại của thuốc trên 1,000 dân mỗi năm (khoảng tin cậy 95% từ 4.8 đến 7.5), trong đó 38.6% (khoảng tin cậy 95% từ 35.2 đến 41.9) dẫn đến nhập viện. ⁸ Mỗi ước tính đều có khoảng tin cậy; số lượng khoa cấp cứu tham gia và số lượng ca bệnh đều được nêu rõ. Đó là tiêu chuẩn.

Những điều mà cơ sở dữ liệu NEISS không thể làm được

Một bài đăng chỉ bán bộ dữ liệu thì không hữu ích. Nếu bất kỳ điều nào sau đây là trọng tâm của câu hỏi của bạn, hãy chọn nội dung khác.

1. Chỉ áp dụng cho các chấn thương được điều trị tại khoa cấp cứu. Những chấn thương được xử lý tại phòng cấp cứu, phòng khám bác sĩ, tại nhà, hoặc không được điều trị gì cả đều không được ghi nhận, cũng như những trường hợp tử vong không bao giờ đến được phòng cấp cứu.
2. Không có theo dõi dọc theo thời gian. Mỗi bản ghi là một lần khám bệnh. Không có thông tin nhận dạng bệnh nhân, không có thông tin tái nhập viện, không có thông tin kết quả sau khi xuất viện, không có thông tin chi phí. Quá trình hồi phục, tái phát và kết quả lâu dài nằm ngoài hệ thống.
3. Không có ước tính nào ở cấp tiểu bang, quận hoặc khu vực đô thị. Trong đánh giá tổng quan của CDC về 167 bài báo NEISS-AIP, hạn chế được các tác giả (n = 38) xác định phổ biến nhất là hệ thống chỉ đưa ra các ước tính cấp quốc gia.³ Phiên bản trước của bài viết này có kèm theo bảng thống kê các kết quả chính sách cấp tiểu bang của Arizona và Ohio. Hiện không có ước tính nào như vậy ở cấp tiểu bang, và bảng đó đã bị xóa.
4. Khoảng cách địa lý thực sự. Theo thiết kế cũ, 14 tiểu bang không có bệnh viện tham gia, trong đó Alaska, Hawaii, vùng núi phía Tây và các khu vực phía Bắc có số lượng bệnh viện tham gia thấp.
5. Sự bất ổn của tế bào nhỏ. Với khoảng 100 bệnh viện, các trường hợp phơi nhiễm hiếm gặp chỉ dẫn đến rất ít trường hợp chưa được trọng số hóa. Nếu bạn không chắc chắn liệu một nhóm nhỏ có thể hỗ trợ ước tính hay không, hãy tính toán trước khi trích xuất bằng cách sử dụng công cụ của chúng tôi. hướng dẫn về sức mạnh và kích thước mẫu.
6. Chỉ là sự liên hệ, không bao giờ là nguyên nhân. Mã sản phẩm ghi nhận sự hiện diện của sản phẩm, chứ không phải là nguyên nhân gây ra thương tích.
7. Một số hồ sơ không phải là hồ sơ về thương tích. Một nghiên cứu đối chiếu hồ sơ tại bệnh viện nhi NEISS cho thấy 13.32% các trường hợp được lấy mẫu (385 trong số 2,890) không phải là chấn thương theo chẩn đoán ICD-9-CM trong cùng một hồ sơ; trong số các trường hợp chấn thương thực sự, hệ số tương đồng là kappa 0.87 (khoảng tin cậy 95% từ 0.85 đến 0.88). Các tác giả kết luận rằng phương pháp tốt nhất “nên bao gồm việc xem xét thủ công các bản tường thuật ca bệnh”.¹
8. Độ chính xác của mã hóa không chỉ là một con số. Hãy cảnh giác với bất kỳ trang nào trích dẫn một tỷ lệ phần trăm chính xác duy nhất của NEISS; phiên bản trước của bài viết này đã trích dẫn bảy tỷ lệ và cả bảy tỷ lệ đó đều đã bị xóa. Ngoài các kết quả xác thực ở trên, phát hiện duy nhất còn lại là một đánh giá của CDC báo cáo rằng hơn 99% các biến về nguyên nhân và ý định trong dữ liệu bạo lực tự hướng NEISS-AIP năm 2018 được mã hóa nhất quán với phần mô tả trong biểu đồ.¹⁸ Đó là độ nhất quán nội bộ cho hai biến số, một hệ thống con, trong một năm. Nó không phải là tỷ lệ chính xác trên toàn hệ thống.
9. Những thay đổi hệ thống làm gián đoạn chuỗi thời gian. Việc bổ sung các biến số vào năm 2019 và 2021, lịch sử mã sản phẩm và số lượng bệnh viện báo cáo khác nhau có nghĩa là một đường xu hướng đơn giản trong hai mươi năm là một tuyên bố bạn phải bảo vệ, chứ không phải là một sự thật bạn có thể vẽ biểu đồ. Bài đăng của chúng tôi về những thành kiến ​​cố hữu trong quá trình lấy mẫu NEISS Nội dung này đề cập đến những vấn đề mà quá trình đánh giá ngang hàng có nhiều khả năng nêu ra nhất.

Một số thông tin mà NEISS bỏ sót thuộc về các hệ thống khác chứ không phải là không thuộc về ai cả. Các thiết bị y tế cấy ghép và máy bơm truyền dịch thuộc phạm vi quản lý của FDA MAUDE, chứ không phải CPSC, điều này rất quan trọng khi lựa chọn cơ sở dữ liệu để phân tích lỗi thiết bị.

NEISS vs NEDS: Lựa chọn giữa hai loại này

Hai khái niệm này thường xuyên bị nhầm lẫn, kể cả trong phiên bản trước của bài viết này. Chúng là những yếu tố bổ sung cho nhau chứ không phải là đối thủ cạnh tranh.

Nguồn: Tài liệu CPSC NEISS; Tổng quan và giới thiệu NEDS năm 2020 của AHRQ HCUP. Được biên soạn bởi Editverse.

Tóm lại: nếu yếu tố phơi nhiễm là sản phẩm hoặc cơ chế tác động, hãy sử dụng cơ sở dữ liệu NEISS. Nếu kết quả là chi phí, người chi trả, gánh nặng bệnh lý đi kèm hoặc mức độ nghiêm trọng lâm sàng, hãy lập ngân sách cho NEDS. Nếu cần cả hai, hãy tính giá trong đề cương nghiên cứu thay vì phát hiện ra sau này.

Cơ sở dữ liệu NEISS đang được xây dựng lại: NEISS-R có nghĩa là gì?

Nếu bạn đang lên kế hoạch thực hiện nghiên cứu NEISS vào năm 2026 hoặc 2027, thì đây là thông tin nền tảng không thể thiếu. CPSC đã công bố một dự án hiện đại hóa, NEISS-Remodel hoặc NEISS-R, chuyển từ việc trích xuất hồ sơ y tế thủ công tại khoảng 70 bệnh viện sang trao đổi dữ liệu điện tử tiêu chuẩn hóa bao phủ tất cả 50 tiểu bang. Hệ thống hiện đại hóa này “dự kiến ​​sẽ hoạt động đầy đủ vào đầu năm 2027”.

Ba hệ quả cần lưu ý. Hãy nêu rõ niên đại của dữ liệu bạn đã sử dụng, vì "dữ liệu NEISS" sẽ sớm có nghĩa là hai cơ chế thu thập khác nhau tùy thuộc vào năm. Hãy lường trước sự gián đoạn, vì việc chuyển từ phương pháp trích xuất thủ công sang trao đổi điện tử kết hợp với việc thay đổi tập hợp bệnh viện chính là nguyên nhân tạo ra một bước ngoặt trong chuỗi thời gian không liên quan gì đến thương tích. Và nếu nghiên cứu của bạn trải qua giai đoạn chuyển đổi, hãy lên kế hoạch phân tích độ nhạy ngay bây giờ. Hướng dẫn của CPSC đã cảnh báo rằng "người sử dụng dữ liệu nên cân nhắc cẩn thận tác động có thể xảy ra của các bản cập nhật hệ thống" đối với các so sánh theo thời gian; thông báo hiện đại hóa đầy đủ của CPSC rất đáng để đọc trực tiếp.

Năm sai lầm khiến một nghiên cứu cơ sở dữ liệu NEISS thất bại

1. Công bố số liệu chưa được hiệu chỉnh dưới dạng số liệu quốc gia. Lỗi phổ biến nhất và dễ phát hiện nhất đối với người đánh giá là: Báo cáo cả hai con số.
2. Tính toán trọng số mà không nêu rõ thiết kế. Ước lượng điểm vẫn giữ nguyên; sai số chuẩn thì không.
3. Reading Age dưới dạng số nguyên. Các giá trị từ 201 đến 223 là tháng. Điều này âm thầm làm sai lệch mọi phân tích nhi khoa mà nó tác động đến.
4. Truy vấn một mã sản phẩm duy nhất trong suốt hai thập kỷ. Trước tiên hãy kiểm tra Bảng so sánh. Các mã có thể được hợp nhất, tách ra, biến mất và xuất hiện trở lại.
5. Giả định rằng một biến tồn tại vì nó tồn tại trong NEDS. Không có mã ICD, không mất phí, không có bệnh kèm theo, không tái nhập viện, không có mã định danh tiểu bang.

Việc báo cáo cũng rất quan trọng. Phân tích NEISS là một nghiên cứu quan sát, và người đánh giá mong muốn nó được viết theo danh sách kiểm tra STROBE dành cho các nghiên cứu quan sát , với thiết kế lấy mẫu, định nghĩa trường hợp và trọng số được mô tả đủ rõ ràng để có thể tái tạo từ hồ sơ công khai.

Dịch vụ chuyên nghiệp cho nghiên cứu dựa trên NEISS

Hầu hết các dự án NEISS thất bại ở một trong ba lý do sau: câu hỏi đã được trả lời từ trước, các biến số không có sẵn trong suốt những năm mà thiết kế yêu cầu, hoặc mẫu phân tích không thể hỗ trợ ước tính sau khi đã bị giới hạn. Cả ba lý do này đều dễ phát hiện trước khi khai thác và tốn kém để tìm ra sau đó.

Không có gói dịch vụ nào dành riêng cho NEISS, vì một dự án NEISS sẽ thuộc một trong ba loại trên tùy thuộc vào phạm vi ảnh hưởng của nó. Tất cả các mục trong phần này đều được liệt kê trong mục Đăng ký và Nghiên cứu Dữ liệu Thực tế . Nếu bạn đã có dữ liệu trích xuất và chỉ cần xử lý thiết kế khảo sát một cách chính xác, dịch vụ chỉ phân tích của chúng tôi là lựa chọn ngắn gọn hơn.

Kết luận

Một lượt khám cấp cứu trở thành dữ liệu NEISS thông qua một chuỗi quy trình ngắn gọn và đơn giản hơn hầu hết các nhà nghiên cứu mong đợi. Một người tóm tắt được đào tạo sẽ đọc hồ sơ bệnh án, gán một vài mã hai chữ số và bốn chữ số từ các từ vựng nội bộ của CPSC, viết một câu tối đa 400 ký tự và không đính kèm thêm bất cứ thứ gì khác. CPSC sẽ đánh giá hồ sơ dựa trên xác suất được chọn của bệnh viện đó trong một trong năm nhóm, và khoảng một năm sau, tập dữ liệu được công bố miễn phí cho bất kỳ ai muốn sử dụng.

Hai yếu tố sau đây đóng vai trò gần như toàn bộ trọng lượng thực tiễn. NEISS không sử dụng ICD-10, vì vậy định nghĩa trường hợp của bạn phải được xây dựng và bảo vệ dựa trên bộ mã riêng của nó và thường là từ các mô tả chi tiết. Và khoảng 400,000 hồ sơ được thu thập mỗi năm không phải là con số quốc gia, vì vậy trọng số và các biến thiết kế tạo nên sự khác biệt giữa một ước tính và một con số vô nghĩa. Nếu bạn làm đúng những điều đó, báo cáo số lượng không trọng số bên cạnh ước tính có trọng số, áp dụng ngưỡng báo cáo của CPSC và trung thực về những gì hệ thống không thể trả lời, thì cơ sở dữ liệu NEISS vẫn là một trong những bộ dữ liệu công khai hữu ích nhất trong nghiên cứu về thương tích.

Câu hỏi thường gặp về cơ sở dữ liệu NEISS

Cơ sở dữ liệu NEISS có sử dụng mã ICD-10 không?

Không. NEISS sử dụng các bộ mã nội bộ khép kín do CPSC duy trì: 26 mã bộ phận cơ thể, 30 mã chẩn đoán, mã sản phẩm bốn chữ số với tối đa ba mã cho mỗi trường hợp, cộng với mã xử lý và vị trí và một đoạn mô tả 400 ký tự. Mọi giá trị được cho phép đều được liệt kê trong Từ điển Dữ liệu NEISS. Cơ sở dữ liệu sử dụng ICD-10-CM và ICD-10-PCS là NEDS, Hệ thống Mẫu Khoa Cấp cứu Toàn quốc, một hệ thống khác do AHRQ điều hành và phải được mua.

Mỗi năm, cơ sở dữ liệu NEISS chứa bao nhiêu trường hợp?

Báo cáo thường niên năm tài chính 2023 của CPSC cho biết NEISS cung cấp thông tin về gần 400,000 trường hợp liên quan đến sản phẩm mỗi năm, và báo cáo hỗ trợ của OMB đưa ra con số dự kiến ​​khoảng 470,000 trường hợp, trong đó khoảng 2,375 trường hợp được chọn để điều tra tiếp theo. Đó là những con số kỷ lục. Ước tính quốc gia có trọng số lại cho ra một con số khác: con số được CPSC công bố gần đây nhất về tất cả các sản phẩm là 10,994,000 trường hợp thương tích liên quan đến sản phẩm tiêu dùng được điều trị tại khoa cấp cứu trong năm dương lịch 2020, một năm đại dịch với số lượng bệnh nhân đến khoa cấp cứu giảm mạnh.

Dữ liệu mẫu của NEISS bao gồm bao nhiêu bệnh viện?

Chính xác 100 bệnh viện, được chọn từ dữ liệu năm 2020 gồm 4,723 khoa cấp cứu đủ điều kiện tại Mỹ, được chia thành 5 nhóm: 43 bệnh viện nhỏ, 26 bệnh viện vừa, 12 bệnh viện lớn, 11 bệnh viện rất lớn và 8 bệnh viện nhi. Không phải tất cả 100 bệnh viện đều báo cáo trong một năm nhất định. Bản tin nổi bật của CPSC ghi nhận 96 bệnh viện báo cáo vào năm 2019, 96 bệnh viện vào năm 2023 và 77 trong số 100 bệnh viện vào năm 2024.

Tôi có cần trọng số lấy mẫu để công bố ước tính NEISS không?

Đúng vậy, và bạn cũng cần các biến thiết kế. Tệp công khai cung cấp Stratum, PSU và Weight. Cộng tổng trọng số của các trường hợp đáp ứng định nghĩa của bạn sẽ tạo ra ước tính quốc gia; việc khai báo Stratum và PSU là thiết kế khảo sát sẽ giúp cho sai số chuẩn chính xác. Ước tính điểm có trọng số được tính toán mà không có các biến thiết kế thường có sai số chuẩn quá nhỏ, dẫn đến khoảng tin cậy quá hẹp.

Cơ sở dữ liệu NEISS có thể cung cấp cho tôi các ước tính ở cấp tiểu bang hoặc cấp quận không?

Không. Đây là hạn chế được báo cáo thường xuyên nhất trong các tài liệu NEISS đã được công bố. Trong một đánh giá tổng quan của CDC về 167 bài báo NEISS-AIP, hạn chế được các tác giả trích dẫn phổ biến nhất là hệ thống chỉ tạo ra các ước tính cấp quốc gia và không thể được sử dụng để giám sát ở cấp tiểu bang hoặc quận. Theo thiết kế cũ, 14 tiểu bang không có bệnh viện nào tham gia.

Mã hóa NEISS chính xác đến mức nào?

Không có con số chính xác duy nhất nào, và bất kỳ nguồn nào trích dẫn con số đó đều nên được xem xét một cách thận trọng. Một nghiên cứu liên kết hồ sơ tại một bệnh viện nhi thuộc NEISS cho thấy 13.32% các trường hợp được lấy mẫu không phải là chấn thương theo tiêu chuẩn ICD-9-CM, với sự đồng thuận giữa các trường hợp chấn thương thực sự là kappa 0.87 (khoảng tin cậy 95% từ 0.85 đến 0.88). So với định nghĩa ICD-9-CM của CDC, định nghĩa chấn thương sọ não do NEISS khuyến nghị có độ nhạy 91.0% và giá trị dự đoán dương tính là 76.5%. Các tác giả của nghiên cứu đầu tiên khuyến nghị xem xét thủ công các bản tường thuật ca bệnh là phương pháp tốt nhất.

Dữ liệu NEISS có miễn phí không và dữ liệu có từ năm nào trở về trước?

Các tập dữ liệu NEISS dùng công cộng là miễn phí, không cần đăng ký và không có thỏa thuận sử dụng dữ liệu. Các tập dữ liệu hàng năm có thể tải xuống thông qua cổng xây dựng truy vấn của CPSC cho các năm xử lý từ 2006 đến 2025, ở định dạng Excel, văn bản phân tách bằng dấu tab và SAS. Mỗi năm mới thường được cung cấp vào tháng Tư của năm tiếp theo, mặc dù việc phát hành có thể bị trì hoãn: dữ liệu cho ngày xử lý năm 2025 đã có sẵn vào ngày 7 tháng 5 năm 2026.

Liệu NEISS có thể cho tôi biết liệu một sản phẩm có gây ra thương tích hay không?

Không. Chính CPSC đã nêu rõ rằng NEISS hỗ trợ ước tính các thương tích “liên quan đến (nhưng không nhất thiết do) các sản phẩm tiêu dùng cụ thể gây ra”. Mã sản phẩm ghi lại sự hiện diện của sản phẩm tại hiện trường, chứ không phải là sản phẩm gây ra thương tích. NEISS cũng không có thông tin nhận dạng bệnh nhân, không có dữ liệu theo dõi và không có dữ liệu kết quả sau khi thăm khám, vì vậy cả câu hỏi về nguyên nhân và kết quả đều nằm ngoài khả năng hỗ trợ của hệ thống.

dự án

1. Thompson MC, Wheeler KK, Shi J, Smith GA, Xiang H. Đánh giá khả năng so sánh giữa mã hóa chấn thương NEISS và ICD-9-CM. PLoS One. 2014;9(3):e92052. doi:10.1371 / tạp chí.pone.0092052PMID: 24658100.
2. Thompson MC, Wheeler KK, Shi J, Smith GA, Groner JI, Haley KJ, Xiang H. Giám sát chấn thương sọ não ở trẻ em bằng NEISS: lựa chọn định nghĩa trường hợp phù hợp. Chấn thương não. 2014;28(4):431-7. doi:10.3109/02699052.2014.887146PMID: 24564802.
3. Navon L, Chen LH, Cowhig M, Wolkin AF. Hai thập kỷ dữ liệu về thương tích không gây tử vong: đánh giá tổng quan về Hệ thống Giám sát Thương tích Điện tử Quốc gia - Chương trình Tất cả Thương tích, 2001-2021. Inj Epidemiol. 2023;10(1):44. doi:10.1186/s40621-023-00455-4PMID: 37679835.
4. Durand WM, Stey PC, Chen ES, Sarkar IN. Phân tích xu hướng của các kết quả tổng hợp trong dữ liệu khảo sát sức khỏe phức tạp. AMIA Jt Summits Transl Sci Proc. 2018;2017:349-58. PMID: 29888093.
5. Parker ST. Ước tính vị trí vết thương do đạn bắn không gây tử vong bằng xử lý ngôn ngữ tự nhiên và các mô hình học máy. 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. Hiểu rõ hoàn cảnh của các chấn thương do ngã ở trẻ em: phân tích bằng máy học về các tường thuật NEISS. Inj Prev. 2023;29(5):384-8. doi:10.1136/ip-2023-044858PMID: 37399309.
7. Carpenito T, Miller M, Manjourides J, Azrael D. Sử dụng phương pháp gán giá trị thiếu bằng siêu học để xác định ý định gây thương tích do súng không gây tử vong. 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. Số lượt khám cấp cứu tại Hoa Kỳ do tác hại của thuốc, 2017-2019. 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. Sử dụng cơ sở dữ liệu NEISS để hiểu về các chấn thương liên quan đến nồi áp suất ở Hoa Kỳ. Inj Prev. 2023;29(6):506-10. doi:10.1136/ip-2023-044910PMID: 37666516.
10. Lacher CR, Koc I, Tsui JC. Chấn thương mắt liên quan đến môn Pickleball ở bệnh nhân đến phòng cấp cứu. 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. Các vụ nổ và bỏng liên quan đến pin của hệ thống phân phối nicotine điện tử (ENDS) được đưa đến các khoa cấp cứu tại Hoa Kỳ, 2020-2024. Prev Med. 2026;207:108563. doi:10.1016 / j.ypmed.2026.108563PMID: 41875938.
12. Neuroth LM, Humphries KD, Wing JJ, Smith GA, Zhu M. Tai nạn xe điện liên quan đến phương tiện cơ giới ở Mỹ: phân tích mô tả dữ liệu NEISS. Am J Emerg Med. 2022;55:1-5. doi:10.1016/j.ajem.2022.02.004PMID: 35228017.
13. Akomaning E, Osei SP, Bhagavathula AS. Chấn thương liên quan đến rượu do sử dụng xe tay ga điện và xe đạp điện ở Mỹ (2019-2022): một nghiên cứu hồi cứu. Inj Prev. 2026;32(4):565-70. doi:10.1136/ip-2024-045461PMID: 39653429.
14. Xiao JB, Siu JM, Propst EJ, Wolter NE. Xu hướng tiêu dùng phản ánh trong nội dung thực quản trẻ em: đánh giá 20 năm. Laryngoscope. 2024;135(1):438-44. doi:10.1002/lary.31728PMID: 39177065.
15. Hammig B, Haldeman S. Các vụ ngã liên quan đến cầu thang ở Hoa Kỳ: chấn thương sọ não và vai trò của tình trạng say rượu. J Epidemiol Community Health. 2023;77(1):44-8. doi:10.1136/jech-2022-219396PMID: 36328421.
16. Bhagavathula A, Price JH, Khubchandani J. Xu hướng và sự khác biệt về thương tích do súng không gây tử vong ở người trưởng thành trong độ tuổi lao động tại Hoa Kỳ, 2000-2021. Tạp chí Sức khỏe Cộng đồng. 2025;50(3):454-63. doi:10.1007/s10900-024-01431-9PMID: 39702661.
17. Dell NA, Vaughn MG, Salas-Wright CP. Thương tích do súng gây ra ở những người vô gia cư: bằng chứng cắt ngang từ một cuộc khảo sát quốc gia về các khoa cấp cứu của Hoa Kỳ. 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. Đánh giá dữ liệu về bạo lực tự gây ra của Chương trình Giám sát Thương tích Điện tử Quốc gia – Tất cả các Thương tích, Hoa Kỳ, 2018. Tạp chí Nghiên cứu An toàn. 2021;76:327-31. doi:10.1016/j.jsr.2020.12.002PMID: 33653565.
19. Chen W, Wheeler KK, Lin S, Huang Y, Xiang H. Phân loại chấn thương sọ não bằng máy tính theo phương pháp “học hỏi trong quá trình thực hiện” sử dụng dữ liệu tường thuật NEISS. Accid Anal Prev. 2016;89:111-7. doi:10.1016/j.aap.2016.01.012PMID: 26851618.
20. Ủy ban An toàn Sản phẩm Tiêu dùng Hoa Kỳ. Điểm nổi bật dữ liệu NEISS năm 2024. Có sẵn tại: cpsc.gov.
21. Schroeder T, Ault K. Mẫu NEISS (Thiết kế và Thực hiện) Từ năm 1979 đến năm 1996. Washington DC: Ủy ban An toàn Sản phẩm Tiêu dùng Hoa Kỳ; tháng 6 năm 2001. Có sẵn tại: cpsc.gov.
22. Cơ quan Nghiên cứu và Chất lượng Chăm sóc Sức khỏe. Tổng quan về Mẫu Dữ liệu Khoa Cấp cứu Toàn quốc (NEDS). Dự án Chi phí và Sử dụng Chăm sóc Sức khỏe. Có sẵn tại: hcup-us.ahrq.gov.