MétaCan
Menu
Retour à la cohorte
Enregistrement W2987151599 · doi:10.1080/24725838.2019.1688894

Ranking Stretcher and Backboard Related Paramedic Lifting Tasks Based on Their Biomechanical Demand on the Low Back

2019· article· en· W2987151599 sur OpenAlexaff
Daniel P. Armstrong, Paul J. Makhoul, Kathryn E. Sinden, Steven L. Fischer

Notice bibliographique

RevueIISE Transactions on Occupational Ergonomics and Human Factors · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueMusculoskeletal pain and rehabilitation
Établissements canadiensLakehead UniversityQueen's UniversityUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésSCOOPWork (physics)Back injuryTask (project management)Compression (physics)Sagittal planeStructural engineeringComputer sciencePhysical medicine and rehabilitationMedicinePhysical therapyEngineeringMaterials scienceMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Occupational ApplicationsWe rank ordered essential paramedic lifting tasks by biomechanical exposure measures at the low back, to understand aspects of paramedic work that impose the greatest risk of musculoskeletal disorders. Specifically, stretcher raising, lowering, and loading, and scoop stretcher lifting, were ordered in terms of peak sagittal low back angles, peak low back compression and antero-posterior shear forces, estimated cumulative damage over a work shift, and the probability of being a high-risk work task. We found that scoop stretcher lifting imposed the highest peak low back angles and both compression and shear forces, while stretcher raising had the greatest estimated cumulative damage and probability of being a high-risk task. All tasks resulted in peak low back compression forces that exceeded injury risk guidelines, and all tasks were identified as high-risk based on estimated cumulative damage. These results highlight the need for interventions in the paramedic sector to reduce the resultant biomechanical exposures, prioritizing efforts towards scoop board lifting and stretcher raising.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,465
Score d'incertitude au seuil0,915

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,260
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIISE Transactions on Occupational Ergonomics and Human FactorsMême sujetMusculoskeletal pain and rehabilitationTravaux en français237 207