Identifying and mitigating risks for agricultural injury associated with obesity
Notice bibliographique
Résumé
In some occupational contexts overweight and obesity have been identified as risk factors for injury. The purpose of this study was to examine this hypothesis within farm work environments and then to identify specific opportunities for environmental modification as a preventive strategy. Data on farm-related injuries, height and weight used to calculate body mass index (BMI), and demographic characteristics were from the Phase 2 baseline survey of the Saskatchewan Farm Injury Cohort; a large cross-sectional mail-based survey conducted in Saskatchewan, Canada from January through May 2013. Multivariable logistic regression was used to examine associations between BMI and injury. Injury narratives were explored qualitatively. Findings were inconsistent and differed according to gender. Among women (n = 927), having overweight (adjusted OR: 2.94; 95% CI: 1.29 to 6.70) but not obesity (1.10; 95% CI: 0.35 to 3.43) was associated with an increased odds of incurring a farm-related injury. No strong or statistically significant effects were observed for men (n = 1406) with overweight or obesity. While injury-related challenges associated with obesity have been addressed in other occupational settings via modification of the worksite, such strategies are challenging to implement in farm settings because of the diversity of work tasks and associated hazards. We conclude that the acute effects of overweight in terms of injury do require consideration in agricultural populations, but these should also be viewed with a differentiation based on gender.
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 | 0,001 | 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 ».