Back Injury among Healthcare Workers: Causes, Solutions, and Impacts
Notice bibliographique
Résumé
Introduction: History and Vision for Work Injured Nurses Group USA Magnitude of the Problem A Word About the Stories Injured Nurse Story #1: Betrayal in the Temple of Healing Injured Nurse Story #2: Preventable Biodynamics of Back Injury: Manual Lifting and Loads Injured Nurse Story #3: Who Will Care for the Nurses? How to Accomplish a Responsible Cost-Benefit Injury Analysis in the Health Care Industry Injured Nurse Story #4: My Last Day as a CNA Striving for Zero-Lift in Healthcare Facilities Injured Nurse Story #5: The First to Go Injured Nurse Story #6: My Heart is Still There Introducing A Safer Patient Handling Policy Injured Nurse Story #7: I Won't Be There Injured Nurse Story #8: Fine When I Entered The Room Injured Nurse Story #9: They Let Me Go Injured Nurse Story #10: In Pain and Out of Work Prevention of Back Injury Using Lift Teams: 18 Hospital Data Injured Nurse Story #11: After Years of Service Injured Nurse Story #12: The Tub Bath Technology for Safe Patient Handling and Movement Injured Nurse Story #13: Is That What A Nurse Is? Bariatrics: Considering Mobility, Patient Safety, and Caregiver Injury Injured Nurse Story #14: Wake Up Call Participatory Ergonomic Design in Healthcare Facilities Designing Workplaces for Safer Handling of Patients/Residents Injured Nurse Story #15: A Nurse's Story Worker Control: The Best Means to Reduce Musculoskeletal Disorders (MSDs) Injured Nurse Story #16: The Writing on the Wall The Relationship Between the Nursing Shortage and Nursing Injury Preventing Back Injuries to Healthcare Workers in British Columbia, Canada and The Ceiling Lift Experience and Data Injured Nurse Story #17: An Advocate for the Ill, Injured, or Disabled Nurse: It Started With One Injured Nurse Story #18: More Valuable Than Machines Injured Nurse Story #19: The Victoria, Australia Story Appendix 1: Ergonomics for the Prevention of Musculoskeletal Disorders Appendix 2A: Frequently Asked Questions About Portable Total Body Patient/Resident Lifts Appendix 2B: Frequently Asked Questions About Sit-to-Stand Patient/Resident 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 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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,003 |
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 ».