Barriers and facilitators to implementation of musculoskeletal injury mitigation programmes for military service members around the world: a scoping review
Notice bibliographique
Résumé
INTRODUCTION: Musculoskeletal injury (MSK-I) mitigation and prevention programmes (MSK-IMPPs) have been developed and implemented across militaries worldwide. Although programme efficacy is often reported, development and implementation details are often overlooked, limiting their scalability, sustainability and effectiveness. This scoping review aimed to identify the following in military populations: (1) barriers and facilitators to implementing and scaling MSK-IMPPs; (2) gaps in MSK-IMPP research and (3) future research priorities. METHODS: A scoping review assessed literature from inception to April 2022 that included studies on MSK-IMPP implementation and/or effectiveness in military populations. Barriers and facilitators to implementing these programmes were identified. RESULTS: From 132 articles, most were primary research studies (90; 68.2%); the remainder were review papers (42; 31.8%). Among primary studies, 3 (3.3%) investigated only women, 62 (69%) only men and 25 (27.8%) both. Barriers included limited resources, lack of stakeholder engagement, competing military priorities and equipment-related factors. Facilitators included strong stakeholder engagement, targeted programme design, involvement/proximity of MSK-I experts, providing MSK-I mitigation education, low burden on resources and emphasising end-user acceptability. Research gaps included variability in reported MSK-I outcomes and no consensus on relevant surveillance metrics and definitions. CONCLUSION: Despite a robust body of literature, there is a dearth of information about programme implementation; specifically, barriers or facilitators to success. Additionally, variability in outcomes and lack of consensus on MSK-I definitions may affect the development, implementation evaluation and comparison of MSK-IMPPs. There is a need for international consensus on definitions and optimal data reporting elements when conducting injury risk mitigation research in the military.
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 | 0,034 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,015 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».