Safety analysis of patient transfers and handling tasks
Notice bibliographique
Résumé
BACKGROUND: Low-back disorders are related to biomechanical demands, and nurses are among the professionals with the highest rates. Quantification of risk factors is important for safety assessment and reduction of low-back disorders. OBJECTIVE: This study aimed to quantify physical demands of frequent nursing tasks and provide evidence-based recommendations to increase low-back safety. METHODS: Thirty-six volunteer female nurses participated in a cross-sectional study of nine nursing tasks. Lumbar range of motion (ROM) and motion during nursing tasks were measured. Compression and shear forces at L5/S1, ligament strain and percentage of population without sufficient torso strength to perform 14 phases of nine nursing tasks were estimated. RESULTS: Peak flexions during trolley-to-bed, bed-to-chair and chair-to-bed transfers reached the maximum flexion ROM of the nurses. Average lumbar flexion during trolley-to-bed transfers was >50% of flexion ROM, being higher than during all other tasks. Mean (SD) compression at L5/S1 (4754 N (437 N)) and population without sufficient torso strength (37% (9%)) were highest during the pushing phase of bed-to-trolley transfers. Shear force (487 N (40 N)) and ligament strain (14% (5%)) were highest during the pulling phase of trolley-to-bed transfers. CONCLUSIONS: Nursing tasks impose high biomechanical demands on the lumbar spine. Excessive lumbar flexion and forces are critical aspects of manual transfers requiring most of the nurses' capabilities. Evidence-based recommendations to improve low-back safety in common nursing tasks were provided. Fitness to work, job modifications and training programs can now be designed and assessed based on the results.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 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 ».