Sex difference in musculoskeletal disabilities among Korean fishers: a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Fishing is a physically demanding occupation with a high risk of musculoskeletal disabilities (MSDs). Although previous studies have focused on ergonomic risk factors, little attention has been paid to sex differences in the prevalence of MSDs among fishers. This study aimed to assess whether female fishers experience a higher prevalence of MSDs than male fishers and to examine whether this difference persists after adjusting for socioeconomic and occupational factors. METHODS: We analyzed cross-sectional data from 898 Korean fishers (513 men and 385 women) who participated in the 2021-2022 Fisher Health Survey. MSDs in the upper extremities, lower back, and knees were defined as scores in the top 25% of the Quick Disabilities of the Arm, Shoulder, and Hand (QuickDASH), Oswestry Disability Index, and Western Ontario and McMaster Universities Arthritis Index Short Form (WOMAC-SF), respectively. Modified Poisson regression was used to calculate the prevalence ratios (PRs) by sex, with stepwise adjustments for age, socioeconomic factors, and occupational factors. RESULTS: Female fishers had significantly higher MSD risk than male fishers across all body regions (fully adjusted PRs: upper extremity, 1.59; lower back, 1.63; knee, 1.44). Sex disparities were most pronounced among those under 60 years of age and remained significant even in older age groups. CONCLUSIONS: The elevated MSD risk among female fishers persisted despite adjusting for conventional risk factors, suggesting the influence of additional factors such as biological susceptibility, domestic labor, and gendered health reporting. Therefore, MSD prevention strategies should include sex-sensitive multidimensional approaches beyond ergonomic interventions.
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 | 0,001 |
| 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 ».