Prevalence of musculoskeletal pain among professional drivers: A systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: Professional drivers are at high risk of developing musculoskeletal pain (MSP) due to risk factors such as prolonged sitting, whole body vibration, awkward posture, and repetitive actions. This review investigates the reported prevalence of MSP among professional drivers. METHODS: An electronic search of Medline (1946 + via OvidSP), Embase (1974 + OvidSP), CINAHL (1982+), AMED, PubMed, and Web of Science from 1990 to July 2019 was performed. Methodological quality of studies was assessed using three quality assessment tools for cross-sectional, case-control, and prospective cohort studies. The prevalence of MSP was reported using descriptive analysis. RESULTS: A total of 56 studies conducted in 23 different countries across a total of 14 types of occupational transport were reviewed. Data of a total pooled population of 18 882 professional drivers were analyzed for MSP. The prevalence of MSP ranged between 43.1% and 93%. The low back was the most frequently reported body region for MSP with a meta-prevalence rate of 53% (N = 9998). Neck, shoulder, and upper back were the other common regions with high prevalence. CONCLUSION: There is a high prevalence of MSP in professional drivers and low back was the most frequently reported body region, followed by neck, upper back, shoulder, knee, hip/thigh, wrist, ankle, and elbow. MSP is complicated in nature and therefore in-depth exploration of causal relationships between MSP and risk factors is necessary so that appropriate healthcare programs can be initiated to prevent and treat MSP effectively.
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.
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 | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 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 | 0,000 | 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 découle