Overview of Occupational Injuries Among Registered Nurses in Washington State, 2007 to 2019
Notice bibliographique
Résumé
Background Registered nurses (RNs) represent the largest segment of the health care workforce and have unique job demands and occupational health considerations. The purpose of this study was to describe the incidence, cost, and causes of occupational injuries among RNs in Washington State and to quantify the cumulative cost and burden of each type of injury, relative to all injuries among RNs. Methods Annual injury claims data covered under Washington State workers’ compensation (WC) fund were analyzed over a 13-year period (2007–2019). Annual mean incidence and cost of injuries were calculated and stratified by nature, source, and event/exposure. Negative binomial regression models were used to examine trends in injury incidence over time, for injury incidence overall, and by the most common injury classifications. Results Between 2007 and 2019, 10,839 WC claims were filed and accepted for Washington State RNs (annual M = 834), totaling more than US$65 million. No significant trend in overall injury incidence was observed (incidence rate ratio [IRR]: 0.99, 95% confidence interval [CI] = [0.94, 1.05]). The most common injury exposures were bodily reaction and exertion, contact with objects and equipment, falls, and assaults and violent acts. Discussion To our knowledge, this is the first broad study of the incidence and costs of occupational injuries among RNs across all workplace settings. We identified high-cost, high-frequency incidence rates of musculoskeletal, sharp, and violence-related occupational injury claims, highlighting intervention targets. Implications for Occupational Health Practice: Policy makers, health systems, and occupational health nurse leaders can use this information to identify priority areas where evidence-based occupational health and prevention programs are most needed.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 ».