Key factors associated with the high burden of injuries in the Canadian forces
Notice bibliographique
Résumé
Background Military populations are particularly vulnerable to injury due the nature of their work and the required levels of physical training. The Canadian Forces Health and Lifestyle Information Survey (HLIS) is a regularly conducted population health survey on health status, risk factors and demographics from a stratified random sample of Canadian Forces (CF) personnel. The 2008/9 HLIS indicated that in the preceding year 23% of Canadian Forces (CF) personnel had sustained an activity limiting repetitive strain injury (RSI) and 21% an activity limiting acute injury. Among CF personnel unable to deploy, 32% identified musculoskeletal injury as the reason. Methods HLIS sampling methods are described in detail elsewhere. The 2008/2009 version of the HLIS included more detailed questions about risk taking behaviours, specific types of physical training activities, and reasons CF members were unable to deploy for active duty. There were three separate outcomes of interest, acute injury, RSI and deployment prohibitive musculoskeletal injury. Multivariate logistic regression models were developed to investigate which injury risk factors remained significant when adjusted for other parameters in the model. Findings Bivariate analysis identified several military and physical training variables significantly associated with acute, RSI and deployment prohibitive injuries. Multivariate logistic regression revealed more complex relationships; the association between training and injury was mediated by the inclusion of lifestyle and demographic variables in the models. This exploratory approach provides a more comprehensive description of injuries leading to more effective surveillance and prevention planning in the CF.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».