MétaCan
Menu
Retour à la cohorte
Enregistrement W4210757731 · doi:10.1093/annweh/wxac010

<i>In Situ</i> Otoacoustic Emission Monitoring to Assess the Effects of Noise Exposure on Hearing Health

2022· article· en· W4210757731 sur OpenAlexafffund
Vincent Nadon, Jérémie Voix

Notice bibliographique

RevueAnnals of Work Exposures and Health · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueNoise Effects and Management
Établissements canadiensÉcole de Technologie SupérieureCentre for Interdisciplinary Research in Music Media and Technology
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésAudiologyHearing lossIndemnityNoise-induced hearing lossNoise (video)Noise exposureMedicineOtoacoustic emissionBusinessComputer science

Résumé

récupéré en direct d'OpenAlex

Noise-induced hearing loss (NIHL) is the largest cause of action for indemnity in North American industries despite the widespread implementation of hearing conservation programs. Possible causes behind the onset of NIHL are the intervals between hearing tests which are generally too long and the tests are insufficiently sensitive to detect temporary hearing changes to act and prevent permanent hearing damage. Moreover, current noise regulations might be too lenient as to the permissible maximum noise levels. Short-interval hearing assessment could help to observe temporary changes in hearing health and prevent permanent damage. This study investigates the short-term effects of noise exposure characteristics using repeated measurements of otoacoustic emission (OAE) growth functions and presents the most significant predictors of hearing health changes as observed in sixteen individuals equipped with OAE earpieces. The experimental results of this study show that the impulsiveness and frequency spectrum of the noise level could be a possible cause of the decline in OAE levels. As a consequence, hearing conservation programs should consider taking these noise metrics into account for proper NIHL risk assessment. Such noise exposure and hearing health monitoring could greatly improve hearing conservation practices in the workplace by acting faster and eventually mitigate occupational hearing loss.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,463
Score d'incertitude au seuil0,837

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,137
Tête enseignante GPT0,452
Écart entre enseignants0,315 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnnals of Work Exposures and HealthMême sujetNoise Effects and ManagementTravaux en français237 207