MétaCan
Menu
Retour à la cohorte
Enregistrement W2072999340 · doi:10.1080/0014013032000157922

Muscle activity during patient transfers: a preliminary study on the influence of lift assists and experience

2003· article· en· W2072999340 sur OpenAlexaff
Peter J. Keir, Christopher W. MacDonell

Notice bibliographique

RevueErgonomics · 2003
Typearticle
Langueen
DomaineMedicine
ThématiqueMusculoskeletal pain and rehabilitation
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésLift (data mining)Ceiling (cloud)ElectromyographyCeiling effectErector spinae musclesMedicinePhysical medicine and rehabilitationWheelchairPhysical therapyComputer scienceEngineering

Résumé

récupéré en direct d'OpenAlex

The purpose of this study was to examine muscle activity patterns during patient handling during manual transfers, and transfers using floor and ceiling lifts. EMG patterns during transfers from bed to wheelchair and wheelchair to bed as well as patient repositioning in novices and experienced participants were examined. Surface EMG was recorded from the upper and lower erector spinae, latissimus dorsi and trapezius muscles bilaterally. Overall, normalized mean and peak muscle activity were lowest using the ceiling lift, increasing with the floor lift, which were lower than manual transfers (novices: all p < 0.01). Experienced patient handlers demonstrated approximately two times greater trapezius and latissimus dorsi activity than novices, combined with lower mean erector spinae activity (p < 0.05, for most tasks). Integrated EMG for all muscles was directly proportional to the transfer time and was lowest during the manual transfer followed by the ceiling lift, with the floor lift being highest. The difference between the muscle activity patterns between the experienced and novice patient handlers may suggest a learned behaviour to protect the spine by distributing load to the shoulder. Further examination of the muscle activation patterns differences between experience levels could improve training techniques to develop better patient handling strategies.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,258
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations108
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueErgonomicsMême sujetMusculoskeletal pain and rehabilitationTravaux en français237 207