Effects of a closed office environment on the risk of Sick Building Syndrome in a medical city in Riyadh, Saudi Arabia: Findings from a cross-sectional study
Notice bibliographique
Résumé
Background: Sick Building Syndrome (SBS) is a state of discomfort and irritation in several body systems which affects employees in a closed office work environment. It has a 30% reported prevalence worldwide. This study aimed to determine the prevalence of Sick Building Syndrome and its associated symptoms. In addition, it also aimed to investigate the association between closed offices environment and the risk of Sick Building Syndrome as well as identifying its associated risk factors and its correlation to in the Medical City in Riyadh, Saudi Arabia. Methods: This cross-sectional study was conducted using a self-constructed questionnaire for data collection among office workers in four different during the year 2018. Convenient random sampling was then used to select study subjects for the study. Results: A total of 373 subjects participated in the study. SBS prevalence among office workers was found to be 20%. The study found that being female (OR 2.80; [95%CI: 1.61-4.84]), higher stress level (OR 2.885; [95%CI: 1.001-8.32]), allergies (OR 2.25; 95%CI: 1.32-3.85]), temperature fluctuations (OR 1.84; [95%CI 1.04-3.26]), noises (OR 1.83; [95%CI: 1.09-3.06]), and a cumulative exposure level to office conditions (OR 2.48; [95%CI: 1.47-4.16 ]) increased the likelihood of SBS. Four out of six SBS symptoms were reported in more than a quarter of the employees, while five symptoms were significantly associated with building types. Age and the number of years working in the same building or office were found to be protective factors (OR 0.64, OR 0.69, OR 0.75) respectively. Conclusion: The high prevalence of SBS among office workers should attract attention to the existence of sick buildings in Saudi Arabia. Awareness and preventive measures should be adopted by the responsible entities of these sick buildings to reduce the health effects of SBS among office workers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».