SS33-03 SHIFT WORK AND CARDIOVASCULAR DISEASES: CURRENT EVIDENCES AND GUIDELINES FOR PREVENTION
Notice bibliographique
Résumé
Abstract Introduction Scientific evidence and recent large cohort studies indicate that many questions remain unanswered about relations between shift work (SW) and cardiovascular disease (CVD). Materials and Methods Large cohort studies and new clinical experimental research exploring the association of cardiovascular autonomic control, inflammation and sleep impairment with SW are revised. Wearable devices (WDs) and artificial intelligence (AI) techniques recently proposed to assess CVD biomarkers during working activity, sleeping and leisure time have also been explored. Results SW exposure intensity and new insights on age-dependent SW threshold require rigorous application in the workplace. Individual cardiovascular risk profile, including autonomic functioning, psychosocial and socio-economic conditions and incident CVD including hypertension, should be addressed to identify and manage hypersusceptible workers and to prevent post-retirement disability. It has been recently observed that shift work increases myocardial infarction reperfusion injury (EARLY-MYO-CMR registry). Gender differences in SW exposure, work-life balance and family-load remain poorly addressed. WDs and AI provide opportunities to identify circadian disruption, early signs of fatigue, low quality of sleep and sleep deprivation in SW. Finally, it is time to propose workplace intervention (SW duration and rotation, rest periods, facilities, and education) that may be individually tailored. Conclusions Though relations between SW and CVD including coronary heart disease have long been studied, the aforementioned gaps remain. Advanced technologies may furnish novel insights for workplace intervention aimed at reducing the effect of SW in CVD.
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 | 0,000 |
| 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 ».