The association of socioeconomic status and psychosocial and physical workplace factors with musculoskeletal injury in hospital workers
Notice bibliographique
Résumé
BACKGROUND: The combined effect of socioeconomic, organizational, psychosocial, and physical factors on work-related musculoskeletal disorders (WRMSDs) were studied in a heterogeneous, socioeconomically diverse sample (cases and their matched referents) of hospital workers. METHODS: Cases were defined by a new acute or cumulative work-related musculoskeletal injury; referents were matched by job group, shift length, or at random. Information was obtained through telephone interviews and on-site ergonomics observation. Questionnaire items included sociodemographic variables, lost work time, work effectiveness, health status, pain/disability, and psychosocial working conditions using Effort Reward Imbalance (ERI) and Demand-Control (DC) models. Two multivariate models were tested: Model 1 included occupation as a predictor; Model 2 included education-income as a predictor. RESULTS: Cases reported greater pain, disability, lost time, and decreased work effectiveness than the referents. Model 1 was statistically significant for neck/upper extremity injury (Chi-square = 19.3, P = 0.01), back/lower extremity injury (Chi-square = 14.0, P = 0.05), and all injuries combined (Chi-square = 25.4, P = 0.001). "Other Clinical" occupations (34% mental health workers) had the highest risk of injury (OR 4.5: 95%CI, 1.7-12.1) for all injuries. The ERI ratio was a significant predictor for neck and upper extremity (OR 1.5: 95%CI, 1.1-1.9) and all injuries (OR 1.3; 95%CI, 1.04-1.5), per SD change in score. CONCLUSIONS: In this study, the risk of WRMSDs was more strongly influenced by specific psychosocial and physical job-related exposures than by broad socioeconomic factors such as education and income.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».