The Efficacy of Artificial Intelligence-Based Self-Management Health Programs on Workers with Neck and Shoulder Pain/Stiffness and Lower Back Pain: A Systematic Review
Notice bibliographique
Résumé
Background. Work-related musculoskeletal disorders (WRMDs) are common health problems in the working population and have increased the number of lost work days per year. However, this increase in the number of WRMDs has yet to meet with the limited availability of healthcare resources that promote self-management for WRMDs. This study aims to highlight the efficacy of Artificial Intelligence-based, self-management health programs as support for workers suffering from WRMDs. Methods. Databases, such as PubMed and Google Scholar, were systematically analyzed and extracted on June 26, 2023. Keywords including “artificial intelligence” AND “musculoskeletal pain” were used to gain relevant studies. Studies in English from the last five years, mainly randomized controlled trials, were included in this review. Studies that were systematic reviews, meta-analyses, animal studies, and case reports were excluded. The Newcastle Ottawa Scale (NOS) was then used to assess the studies' quality. Results. Four RCTs and one CT are used in this review, including 1550 participants. All of the studies used were of good quality based on the NOS. All studies show that AI-based health programs improve work productivity as a whole in patients with co-occurring WRMDs, and are said to be user-friendly, potentially outperforming online search engines for symptom assessment, saving time, increasing helpfulness, and boosting worker productivity. Conclusion. AI-based Health Programs are new, effective ways of solving WRMDs. However, further studies and trials are needed to identify elements of the program that lead to this successful outcome for further development, followed by the implementation of digitally supported self-management interventions in specialist care.
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 | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».