Heat related illness among workers in Washington State: A descriptive study using workers' compensation claims, 2006‐2017
Notice bibliographique
Résumé
BACKGROUND: Heat related illness (HRI) places a significant burden on the health and safety of working populations and its impacts will likely increase with climate change. The aim of this study was to characterize the demographic and occupational characteristics of Washington workers who suffered from HRI from 2006 to 2017 using workers' compensation claims data. METHODS: We used Washington workers' compensation data linked to weather station data to identify cases of work-related HRI. We utilized Occupational Injury and Illness Classification System codes, International Classification of Diseases 9/10 codes, and medical review to identify accepted and rejected Washington State (WA) workers' compensation claims for HRI from 2006 to 2017. We estimated rates of HRI by industry and evaluated patterns by ambient temperature. RESULTS: We detected 918 confirmed Washington workers' compensation HRI claims from 2006 to 2017, 654 were accepted and 264 were rejected. Public Administration had the highest third quarter rate (131.3 per 100 000 full time employees [FTE]), followed by Agriculture, Forestry, Fishing, and Hunting (102.6 per 100 000 FTE). The median maximum daytime temperature was below the Washington heat rule threshold for 45% of the accepted HRI claims. Latinos were estimated to be overrepresented in HRI cases. CONCLUSION: The WA heat rule threshold may not be adequately protecting workers and racial disparities are present in occupational HRI. Employers should take additional precautions to prevent HRI depending on the intensity of heat exposure. States without heat rules and with large industry sectors disproportionately affected by HRI should consider regulations to protect outdoor workers in the face of more frequent and extreme heat waves.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».