The impact of mechanical devices for lifting and transferring of patients on low back pain and musculoskeletal injuries in health care personnel—A systematic review and meta-analysis
Notice bibliographique
Résumé
OBJECTIVES: Heavy lifting in nursing is highly associated with low back pain (LBP) and musculoskeletal injuries (MSI). We aimed to evaluate the impact of mechanical devices used for patient lifting and transferring on risk of LBP and MSI of health care personnel. METHODS: We conducted a systematic review and meta-analysis. The literature search was performed during 1st and 12th September 2021 using 17 electronic databases and handsearching of bibliographies of included studies. Twenty studies were included in the qualitative synthesis and eight studies with in total 2087 participants in the meta-analysis. Dependent on the study design, risk of bias was assessed by Cochrane RoB 2.0, EPOC, and MINORS. We conducted random-effects meta-analyses assessing Hedges's g and 95% CI of MSI rate, perceived LBP, and peak compressive spinal load. We calculated prediction intervals and conducted a cost-benefit analysis (CBA). RESULTS: All outcomes showed significant, adjusted pooled effect sizes (MSI rate: g = 1.11, 95% CI 0.914-1.299; perceived LBP: g = 1.54, 95% CI -0.016-3.088; peak compressive spinal load: g = 1.04, 95% CI -0.315 to 2.391). True effect sizes in 95% of all comparable populations fell in the following prediction intervals: MSI rate = -1.07-3.28, perceived LBP = -0.522-3.594, and peak compressive spinal load = -15.49 to 17.57. CBA revealed cost-benefit ratios of 1.2 and 3.29 between cumulative total savings and investment costs of intervention. CONCLUSIONS: Prediction intervals confirmed strong true effect sizes for MSI rate and perceived LBP in 95% of all comparable populations but not for peak compressive spinal load. Mechanical lifting and transferring devices displayed a favorable cost-benefit ratio and should be considered for clinical implementation.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».