What Do We Know About Interventions to Prevent Low Back Injury and Pain Among Nurses and Nursing Students? A Scoping Review
Notice bibliographique
Résumé
STUDY BACKGROUND: Back injuries are common among nurses worldwide with lifetime prevalence of lower back pain ranging from 35% to 80%, making nursing a profession at great risk for back injuries. PURPOSE: This systematic scoping review explored and mapped existing evidence regarding the prevention of low back injury and pain among nurses and nursing students. METHODS: Using a scoping review methodology, six databases were searched initially in September 2017 and updated June 2020. Studies investigating interventions designed to reduce back injuries and pain among regulated nurses and student nurses, published in peer-review journals and written in English, were eligible for inclusion in this review. Quantitative, qualitative, and mixed methods studies of regulated nurses, nursing students, and nursing aides were included. Two independent reviewers screened, critically analysed studies using a quality appraisal tool, extracted data, and performed quality appraisals. RESULTS: Two searches yielded 3,079 abstracts and after title, abstract and screening, our final synthesis was based on 48 research studies. CONCLUSIONS: Forty years of research has demonstrated improvements in quality over time, the efficacy of interventions to prevent back injury and pain remains unclear, given the lack of high-quality studies. Further research, using multi-dimensional approaches and rigorous study designs, are needed.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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 ».