Should studies of risk factors for musculoskeletal disorders be stratified by gender? Lessons from the 1998 Québec Health and Social Survey
Notice bibliographique
Résumé
OBJECTIVES: Several studies have reported male-female differences in the prevalence of symptoms of work-related musculoskeletal disorders (MSD), some arising from workplace exposure differences. The objective of this paper was to compare two strategies analyzing a single dataset for the relationships between risk factors and MSD in a population-based sample with a wide range of exposures. METHODS: The 1998 Québec Health and Social Survey surveyed 11 735 respondents in paid work and reported "significant" musculoskeletal pain in 11 body regions during the previous 12 months and a range of personal, physical, and psychosocial risk factors. Five studies concerning risk factors for four musculoskeletal outcomes were carried out on these data. Each included analyses with multiple logistic regression (MLR) performed separately for women, men, and the total study population. The results from these gender-stratified and unstratified analyses were compared. RESULTS: In the unstratified MLR models, gender was significantly associated with musculoskeletal pain in the neck and lower extremities, but not with low-back pain. The gender-stratified MLR models identified significant associations between each specific musculoskeletal outcome and a variety of personal characteristics and physical and psychosocial workplace exposures for each gender. Most of the associations, if present for one gender, were also found in the total population. But several risk factors present for only one gender could be detected only in a stratified analysis, whereas the unstratified analysis added little information. CONCLUSIONS: Stratifying analyses by gender is necessary if a full range of associations between exposures and MSD is to be detected and understood.
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 | 0,000 |
| 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 ».