Prevalence of Eye Strain Among Radiologists: Influence of Viewing Variables on Symptoms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To determine the prevalence of and factors contributing to eye strain among radiologists, we examined the influence of the viewing method (PACS vs hard-copy film), age, case volume, technique, work habits, and workstation design on symptoms. MATERIALS AND METHODS: An Internet-based survey was sent to 2,700 radiologists randomly selected from the membership database of the Radiological Society of North America. Questions included demographic information, viewing method, work habits, and workstation design. Common eye strain symptoms were evaluated on a 5-point Likert scale. Chi-square analysis, analysis of variance, and step-wise and regression analyses were performed to evaluate codependence of the explanatory variables with eye strain. RESULTS: The adjusted response rate was 14% (380 respondents). The largest age cohort was 36-50 years. The prevalence of eye strain was 36% and was not affected by the viewing method (PACS vs film). Increased symptoms could be independently predicted in radiologists who were women (p <0.001), had longer work days (p=0.009), took fewer breaks (p=0.03), reported screen flicker (p=0.0003), and performed CT screening (p=0.04). Working hours had the strongest influence on eye strain. Eye strain was increased in those who reported studies for longer than 6 hr per day (p=0.01) and decreased in those who took breaks every hour (p=0.04). Symptoms were independent of the length of the break taken and of other workstation and technique factors. CONCLUSION: Eye strain was common among the radiologists in our study population, with no significant difference between PACS and hard-copy film users. Taking frequent short breaks, eliminating screen flicker, and limiting the number of CT screening studies interpreted may improve symptoms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle