Les milieux de travail les plus à risque de troubles musculo-squelettiques entre 2005 et 2007 : cas d'une région du Québec
Notice bibliographique
Résumé
Résumé Objectif : L’objectif de cette étude était de déterminer les dix secteurs d’activité où le risque des troubles musculo-squelettiques (TMS) liés au travail est le plus élevé. Méthodes : Nous avons utilisé les données du fichier des lésions professionnelles indemnisées tenu par le régime d’assurance des travailleurs du Québec. Les industries ont été classées en secteurs d’activité suivant le système de classification des industries de l’Amérique du Nord (SCIAN à trois chiffres). Le prevention index , ou indice de prévention, qui tient compte à la fois du nombre de cas et du taux d’incidence des TMS, a été utilisé pour déterminer les secteurs d’activité les plus à risque. Résultats : Sur un total de 93 sous-secteurs industriels avec des entreprises en activité dans la région de Laval, les dix sous-secteurs les plus à risque étaient les suivants par ordre décroissant : établissements de soins infirmiers et de soins pour bénéficiaires internes (SCIAN 623), grossistes-distributeurs de produits alimentaires, de boissons et de tabac (SCIAN 413), entrepreneurs spécialisés (SCIAN 238), magasins de fournitures de tout genre (SCIAN 452), fabrication de produits métalliques (SCIAN 332), fabrication de machines (SCIAN 333), fabrication de produits en plastique et en caoutchouc (SCIAN 326), première transformation des métaux (SCIAN 331), hôpitaux (SCIAN 622) et fabrication de matériel de transport (SCIAN 336). Conclusion : Ces résultats étaient similaires à ceux du reste du Québec, avec quelques variations. Ils pourraient documenter le processus de prise de décision lors de la planification des activités de prévention des TMS. Prat Organ Soins. 2011;42(3):169-77
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,001 |
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 ».