Does a history of childbirth impact injury prevalence and mental health in female military members?
Notice bibliographique
Résumé
The effect of parity status on the prevalence and impact of musculoskeletal injury (MSKi) among female Canadian Armed Forces (CAF) members is unknown. This study aims to identify whether a history of childbirth and pregnancy-related complications are associated with MSKi occurrence among female members of the CAF. From September 2020 to February 2021, data were collected via an online questionnaire that assessed MSKi, reproductive health, and barriers to recruitment and retention in the CAF. Actively serving, female members were included in this analysis stratified by parous ( n = 313) or nulliparous ( n = 435) status. Descriptive analysis and binary logistic regressions were used to identify prevalence and adjusted odds ratios (aOR) of repetitive strain injuries (RSI), acute injuries, and body regions affected. Covariates included in aOR: age, body mass index, and rank. A p value of <0.05 was considered significant and 95% confidence intervals (CI) were reported. Female members with a history of childbirth were more likely to report an RSI (80.9% vs. 69.9%, OR = 1.57, CI: 1.03 to 2.40), and when stratified by body region, were more likely to have an RSI of the wrist (30.0% vs. 20.5%, aOR = 1.62, CI: 1.09 to 2.40), and foot (39.3% vs. 24.1%, aOR = 1.79, CI: 1.24 to 2.59). When compared to the nulliparous group, parity did not influence prevalence of acute injuries. MSKi and mental health perceptions were different for females who experienced postpartum depression, miscarriage, or preterm birth. Childbirth and pregnancy-related complications impact prevalence of some RSI among female CAF members. Thus, specific health and fitness support may be needed for parous female CAF members.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».