Myotonometry in machinery operators and its relationship with postural ergonomic risk
Notice bibliographique
Résumé
OBJECTIVES: To analyze the association between occupational ergonomic risk, personal characteristics, and working conditions with the biomechanical properties of stiffness and muscular tone in the paravertebral muscles of electric pallet jack and forklift operators in the industrial sector. METHODS: A total of 75 industrial sector machine operators were evaluated in 2021. Personal characteristics and working conditions were assessed through a questionnaire. Ergonomic risk was assessed using the Rapid Entire Body Assessment (REBA) method, and biomechanical properties of stiffness and muscular tone were obtained using the Myoton Pro device. Stiffness in paravertebral muscles was compared based on the operated machine and observed ergonomic risk. A multilevel linear regression model was employed to quantify the relationship, with mean differences and 95% CI calculated. RESULTS: Very high ergonomic risk was found in 75% of the electric pallet truck drivers. In this group with the highest ergonomic risk, an association between biomechanical properties and older workers was observed. Additionally, among electric pallet truck drivers, stiffness (mean difference 335.9 N/m, 95% CI: 46.4 (3.4 to 110.0), P < 0.05) and paravertebral muscle tone (mean difference 17.5 Hz, 95% CI: 1.4 (0.1 to 3.4), P < 0.05) showed statistically significant differences in the very high ergonomic risk category compared to the high-risk category. No significant differences were observed in any of the analyzed variables among forklift drivers. CONCLUSIONS: Workers operating electric pallet trucks with very high ergonomic risk according to the REBA method and aged over 40 yr are associated with increased muscle stiffness and tone.
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 | 0,001 | 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 ».