Exposición laboral a computadoras como factor de riesgo para el desarrollo de síndrome del túnel carpiano: Una Revisión sistemática y Metaanálisis
Bibliographic record
Abstract
Evaluar y sintetizar la evidencia disponible sobre la asociación entre la exposición laboral a computadoras y el riesgo de desarrollar síndrome del túnel carpiano (STC). Material y Métodos: Se realizó una revisión sistemática siguiendo las guías PRISMA 2020. La búsqueda incluyó bases de datos electrónicas (PubMed, Scopus, Web of Science, EMBASE y medRxiv) utilizando términos relacionados con el uso de computadoras y STC. Se seleccionaron estudios observacionales que cumplieron con criterios predefinidos de inclusión y se evaluó el riesgo de sesgo mediante la escala de Newcastle-Ottawa. Los datos se analizaron mediante metaanálisis de efectos aleatorios, reportando odds ratios (OR) con intervalos de confianza (IC) al 95%. Resultados: De 155 estudios identificados, 7 cumplieron con los criterios de inclusión, abarcando un total de 3058 participantes en el grupo expuesto y 6456 en el grupo control. El metaanálisis mostró un OR combinado de 1.64 (IC 95%: 0.97– 2.76, p = 0.06) con alta heterogeneidad (I² = 79%). El análisis de sensibilidad, basado en 5 estudios, reveló un OR de 2.31 (IC 95%: 1.74–3.07, p < 0.00001) con heterogeneidad moderada (I² = 30%), confirmando una asociación significativa entre la exposición prolongada y el STC. Conclusiones: La exposición prolongada a computadoras es un factor de riesgo significativo para el desarrollo de STC. Los resultados destacan la necesidad de intervenciones preventivas en entornos laborales que requieren uso intensivo de computadoras
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.041 | 0.085 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.008 | 0.021 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".