Occupational noise-induced hearing loss in high-income countries: A multi-country analysis of compensation records
Notice bibliographique
Résumé
Background Occupational Noise-Induced Hearing Loss (ONIHL) presents a significant occupational health challenge worldwide, with profound economic and societal implications. This study assesses socio-demographics of ONIHL cases, calculates incidence rates and trends (2013–2022), compares ONIHL burden with other occupational diseases, and quantifies annual compensation costs across Australia, Canada, Germany, Hong Kong and New Zealand. Materials and Methods A retrospective analysis of ONIHL compensation data sourced from governmental compensation records in five high-income countries was conducted. Incidence rates were computed based on accepted compensation cases per employed workforce and analyzed over a decade-long study period. Results A total of 131,433 newly compensated ONIHL cases were identified across five countries. Males accounted for 96.3 % of cases, with varying age distributions observed among countries. The construction and manufacturing sectors consistently emerged as primary contributors to ONIHL. ONIHL ranked among the top three occupational conditions in all study countries, with incidence rates ranging from 5 to 148 per 100,000 employed workers. Compensation costs for rehabilitation exceeded USD 800 million during the study period, with Germany incurring the highest expenses. Conclusion Our findings emphasize the need for intensified ONIHL prevention efforts, particularly within the manufacturing and construction industries across high-income countries. The study highlights the disproportionate representation of older males among the new ONIHL cases, whether due to their concentration in noisy settings or inherent susceptibility to noise-induced hearing changes. The financial costs are substantial, with nearly USD 2 billion spent on ONIHL compensation over the study period, including pension costs for ONIHL cases in Germany. This study illuminates the significant burden of ONIHL as a leading occupational disease, offering insights for areas to target intensified prevention and interventions efforts for accelerated reduction in new ONIHL cases.
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 | 0,001 | 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 ».