Utility of Person–Environment–Occupation model in exploring sex-specific causes of work-related traumatic brain injury: a retrospective chart review
Notice bibliographique
Résumé
BACKGROUND: Work-related traumatic brain injury (wr-TBI) is on the rise. The pre-injury period, a significant consideration for preventive initiatives, is largely unexplored. OBJECTIVES: To identify Person-Environment-Occupation (PEO) variables associated with wr-TBI to inform sex-specific primary prevention. METHODS: -test and chi-squared tests were used to study sex differences. Multivariate logistic regression models of wr-TBI were fit with a priori defined PEO variables. RESULTS: The sample comprised 330 consecutive workers with wr-TBI (40.8 ± 11.1 years old, 71% male). Sex differences were observed across PEO variables. In multivariable logistic regression analyses the odds of sustaining a wr-TBI from a fall increased with the presence of a mood disorder and participation in non-labourer occupations (odds ratio (OR) 2.89 (95% CI 1.06-7.89) and OR 2.89 (95% CI 1.06-7.89), respectively) and decreased being a male (OR 0.31 (95% CI 0.17-0.54)). The odds of sustaining a wr-TBI from being striken by an object was greater in workers with prior head injury (OR 2.8 (95% CI 1.24-6.45)). None of the variables studied were associated with wr-TBI sustained from being striken against an object. CONCLUSIONS: Workers' health status pre-injury is associated with external causes of wr-TBI. Sex differences across PEO categories warrant further study.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».