A Predictive Logistic Regression Equation for Neck Pain in Helicopter Aircrew
Notice bibliographique
Résumé
INTRODUCTION: While many studies have investigated neck strain in helicopter aircrew, no one study has used a comprehensive approach involving multivariate analysis of questionnaire data in combination with physiological results related to the musculature of the cervical spine. METHODS: There were 40 aircrew members who provided questionnaire results detailing lifetime prevalence of neck pain, flight history, physical fitness results, and physiological variables. Isometric testing data for flexion (Flx), extension (Ext), and right (RFlx) and left (LFlx) lateral flexion of the cervical spine that included maximal voluntary contraction (MVC) force and submaximal exercise at 70% MCV until time-to-fatigue (TTF) was also collected. Muscles responsible for the work performed were monitored with electromyography (EMG) and near-infrared spectroscopy (NIRS) and the associated ratings of perceived exertion (RPE) were collected simultaneously. Results were compiled and analyzed by logistic regression to identify the variables that were predictive of neck pain. RESULTS: While many variables were included in the logistic regression, the final regression equation required two, easy to measure variables. The longest single night vision goggle (NVG) mission (NVGmax; h) combined with the height of the aircrew member in meters (m) provided an accurate logistic regression equation for approximately one-half of our sample (N = 19). Cross-validation of the remaining subjects (N = 21) confirmed this accuracy. CONCLUSION: Our regression equation is simple and can be used by global operational units to provide a cursory assessment without the need for acquiring specialized equipment or training.
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 | 0,000 | 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 ».