Risk factors for work related injury among male farmers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To identify risk factors for serious farm work related injury among men. METHODS: A case-control study was conducted in Victoria, Australia. Eligible cases (n = 252) were males aged > or =16 years injured while working on a farm and scoring 2 or higher on the Abbreviated Injury Scale. Non-fatal injury cases were identified on presentation to hospital. Fatal cases (next of kin) were recruited via the Coroner's Office. Two age-matched controls per case were recruited by telephone. Data were collected with a structured telephone questionnaire. Logistic regression was used to compare risk factors between cases and controls, adjusting for design factors and average weekly hours worked. RESULTS: The most common external causes of injury were machinery (26%), falls (19%), transport (18%), animals (17%) and being struck by an object (11%). Increased injury risk was observed for being an employee/contractor (odds ratio 1.8, 95% CI 1.2 to 2.7), not having attended farm training courses (1.5, 95% CI 1.0 to 2.1), absence of roll-over protective structures on all/almost all tractors (2.5, 95% CI 1.7 to 3.8), absence of personal protective equipment for chemical use (4.7, 95% CI 1.6 to 13.9) and a low average annual farm income of AUD$5000 or less (2.7, 95% CI 1.3 to 5.6). Decreased injury risk was observed for several health related characteristics and some farm characteristics. CONCLUSION: We identified some risk factors possibly relevant to farm injury prevention programs. However, other factors were not associated with farm work injury suggesting these may not be as important as previously hypothesised.
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.
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 | 0,000 | 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) | 0,001 | 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 découle