A scoping review to identify strategies that work to prevent four important occupational diseases
Notice bibliographique
Résumé
BACKGROUND: Despite being largely preventable, many occupational diseases continue to be highly prevalent and extremely costly. Effective strategies are required to reduce their human, economic, and social impacts. METHODS: To better understand which approaches are most likely to lead to progress in preventing noise-related hearing loss, occupational contact dermatitis, occupational cancers, and occupational asthma, we undertook a scoping review and consulted with a number of key informants. RESULTS: We examined a total of 404 articles and found that various types of interventions are reported to contribute to occupational disease prevention but each has its limitations and each is often insufficient on its own. Our principal findings included: legislation and regulations can be an effective means of primary prevention, but their impact depends on both the nature of the regulations and the degree of enforcement; measures across the hierarchy of controls can reduce the risk of some of these diseases and reduce exposures; monitoring, surveillance, and screening are effective prevention tools and for evaluating the impact of legislative/policy change; the effect of education and training is context-dependent and influenced by the manner of delivery; and, multifaceted interventions are often more effective than ones consisting of a single activity. CONCLUSIONS: This scoping review identifies occupational disease prevention strategies worthy of further exploration by decisionmakers and stakeholders and of future systematic evaluation by researchers. It also identified important gaps, including a lack of studies of precarious workers and the need for more studies that rigorously evaluate the effectiveness of interventions.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».