Novel Technological Advances to Protect People Who Exercise or Work in Thermally Stressful Conditions: A Transition to More Personalized Guidelines
Notice bibliographique
Résumé
Background: Prevention plays a key role in ensuring health and safety and is particularly important in scenarios when life is threatened. Adverse thermal conditions are experienced by billions of people daily, affecting the human capacity for thermoregulation and increasing the risks of life-threatening accidents, diseases, and fatalities. The aim of this study was to develop and validate a new, freely accessible method that will ultimately allow health, as well as exercise and labour organizations, to predict and potentially mitigate the physiological strain experienced by people who exercise or work in thermally stressful environmental conditions. Methods: First, we used concurrent technological advances and thermophysiological modelling to (i) develop a mobile phone application that predicts the physiological heat strain experienced by individuals conducting physical activity in adverse environmental conditions, and (ii) provide them with individualized heat mitigation strategies. Second, to examine the construct validity of the newly developed mobile phone application, core body temperature was recorded using gastrointestinal thermometry in 37 healthy soldiers during different activities. These data were used to examine the predictive capacity of our application in pre-classifying individuals with an increased risk of experiencing elevated physiological heat strain during work based on the guidelines (core body temperature ≥ 38 °C) of the World Health Organization. Results: The core body temperature predictions made by the mobile phone application were positively related (r = 0.57, p < 0.05) with the actual physiological measurements taken by our participants (mean absolute error: 0.28 °C). More importantly, our application correctly predicted 93% of occurrences of elevated physiological heat strain and 90% of those that were not (overall accuracy: 92%). Conclusions: Mobile phone applications integrating thermophysiological models can predict the physiological heat strain experienced by an individual, but it remains to be studied whether the suggested heat mitigation strategies can reduce or prevent adverse impacts.
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 | 0,003 |
| 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 ».