Physiological monitoring for occupational heat stress management: recent advancements and remaining challenges
Notice bibliographique
Résumé
Occupational heat stress poses a major threat to worker health and safety that is projected to worsen with global warming. To manage these adverse effects, most industries rely on administrative controls (stay times and work-to-rest allocations) that are designed to limit the rise in body core temperature in the "average" individual. However, due to the extensive inter- and intra-individual variation in thermoregulatory function, these administrative controls will result in some individuals having their work rate and productivity unnecessarily restricted (false positives), while others may be subject to rises in heat strain that compromise health (false negatives). Physiological monitoring has long been touted as a more effective approach for individualized protection from excessive heat stress. This has led to extensive interest in the use of wearable technology for heat stress management from both the scientific community and manufacturers of wearable devices, which has accelerated in the past decade. In this review, we evaluate the merits of the recent and emerging approaches to manage occupational heat strain with wearable physiological monitors. Against this background, we then describe the issues that we perceive to be unresolved regarding the use of wearable heat strain monitors and the research efforts needed to address those issues. Particular emphasis is directed to the efficacy of existing physiological indicators of heat strain, how to define upper limits for those indicators and the efforts required to rigorously validate emerging wearable heat strain monitoring devices.
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) | 0,002 | 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 ».