Classification of audiograms in the prevention of noise-induced hearing loss: A clinical perspective
Notice bibliographique
Résumé
BACKGROUND: Noise induced hearing loss (NIHL) is a major contributor to disabling hearing loss. Engineering controls are superior to hearing protection devices (HPDs) in prevention of occupational noise induced hearing loss (ONIHL), although the latter are more commonly used. Effective use of audiometry requires quick categorization of audiograms. The UK Health and Safety Executive (UKHSE) scheme for the categorization of audiograms is a tool that accomplishes this. OBJECTIVES: The objective of this paper is to provide an overview of the classification of audiograms and build a case for the preferential use of the UKHSE's scheme to achieve this. METHOD: The author provides a literature review of methods of classification for audiograms and uses a case study in a Tanzanian mining company to demonstrate how the UKHSE scheme was successfully used to enhance the existing hearing protection program. RESULTS: The literature review identified several methods of classification based on a variation of threshold shifts from baseline. The difference was in the frequency and level of threshold shift used to determine hearing loss, and the recommended course of action once hearing loss is detected. The UKHSE scheme is simple and provides guidance on steps to be taken thereafter. This was demonstrated in a case study among miners in a mining company in Tanzania. CONCLUSION: The UKHSE audiogram classification scheme has the advantage of providing a straightforward, easy to determine classification that allows for intervention appropriate to the findings.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».