Can the Use of Turn-Assist Surfaces Reduce the Physical Burden on Caregivers When Performing Patient Turning?
Notice bibliographique
Résumé
OBJECTIVE: To quantify differences in physical workload afforded by turn-assist surfaces relative to manual patient turns, and between nursing caregivers (turn-away vs. turn-toward) while performing partnered patient turning. BACKGROUND: Nurse caregivers experience an increased risk of musculoskeletal injuries at the back or shoulders when performing patient-handling activities. Use of turn-assist surfaces can reduce the physical burden and risk on caregivers. METHOD: Whole-body motion capture and hand force measures were collected from 25 caregivers (17 female) while performing partnered manual and technology-facilitated turns. Shoulder and low back angles and L4/L5 joint contact forces were calculated at the instant of peak hand force application for both caregivers. RESULTS: Hand force requirements for the turn-away caregiver were 93% of the estimated maximum acceptable force when performing a manual turn. Use of a turn-assist surface eliminated hand forces required to initiate the patient turn for the turn-away caregiver, where their role was reduced to inserting appropriate wedging behind the patient once the facilitated turn was complete. This reduced shoulder moments by 21.3 Nm for the turn-away caregiver, a reduction in exposure from 70% of maximum shoulder strength capacity to 15%. Spine compression exposures were reduced by 302.1 N for the turn-toward caregiver when using a turn-assist surface. CONCLUSION: Use of a turn-assist surface reduced peak hand force and shoulder-related exposures for turning away and reduced spine-related exposures for turning toward. APPLICATION: Turn-assist devices should be recommended to decrease the risk of musculoskeletal disorder hazards for both caregivers when performing a partnered patient turn.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».