A pattern recognition approach to the development of a classification system for upper-limb musculoskeletal disorders of workers
Notice bibliographique
Résumé
OBJECTIVES: Workers' musculoskeletal disorders are often pain-based and elude specific diagnoses; yet diagnosis or classification is the cornerstone to researching and managing these disorders. Clinicians are skilled in pattern recognition and use it in their daily practice. The purpose of this study was to use the clinical reasoning of experienced clinicians to recognize patterns of signs and symptoms and thus create a classification system. METHODS: Two hundred and forty-two workers consented to a standardized physical assessment and to completing a questionnaire. Each physical assessment finding was dichotomized (normal versus abnormal), and the results were graphically displayed on body diagrams. At two different workshops, groups of experienced researchers or clinicians were led through an exercise of pattern recognition (clustering and naming of clusters) to arrive at a classification system. Interobserver reliability was assessed (8 observers, 40 workers), and the classification system was revised to improve reliability. RESULTS: The initial classification system had good face validity but low interobserver reliability (kappa <0.3). Revisions were made that resulted in a proposed triaxial classification system. The signs and symptoms axes quantified the areas in the involved upper limbs. The proposed third axis described the likelihood of a specific clinical diagnosis being made and the degree of certainty. The interobserver reliability improved to approximately 0.70. CONCLUSIONS: This triaxial classification system for musculoskeletal disorders is based on clinically observable findings. Further testing and application in other populations is required. This classification system could be useful for both clinicians and epidemiologists.
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 | 0,003 | 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 ».