Ennustajat CMLBP: n ennusteelle terveydenhuollon ammattilaisten keskuudessa

Yleisin LBP: n muoto on epäspesifinen tai mekaaninen LBP. Epäspesifistä LBP: tä (NSLBP) käytetään, kun kivun patoanatominen syytä ei voida määrittää. CMLBP: n vuotuisen esiintyvyyden terveydenhuollon ammattien keskuudessa on havaittu olevan 26% korkealla vuotuisella toistumisella. Krooninen mekaaninen alaselän kipu on johtava vuosien syy, jolla on vammaisia ​​maailmanlaajuisesti. On yksittäisiä tekijöitä, jotka voivat lisätä kivun kroonisuuden riskiä, ​​kuten biomekaanista, psykologista, sosiaalista, ympäristöä, elämäntapaa ja henkilökohtaisia ​​tekijöitä. Siksi tämän tutkimuksen päätavoite on tutkia odotettavissa olevia kliinisiä ennustajia, jotka voivat auttaa kroonisen mekaanisen LBP: n ennustetta terveydenhuollon ammattilaisten keskuudessa. Koska CMLBP: n ajateltiin yleensä olevan yleinen työväestössä, aiemmat tutkimukset, jotka keskittyivät CMLBP: n riskitekijöiden tunnistamiseen työikäisillä aikuisilla. Tietyt ammatilliset altistukset (esim. Koko kehon värähtely, usein kiertäminen tai taivutus ja pitkäaikainen seisoma tai istuminen), psykologiset muuttujat (esim. Masennus, psykologinen tuska, passiiviset selviytymisstrategiat ja pelon välttämisen uskomukset) ja väestöparametrit (esim. Vanhemmat Ikä ja naiset) havaitaan liittyvän CMLBP: n läsnäoloon työväestössä.in Toisaalta, kirjoittajan tietämykseen saakka ei suoritettu tutkimuksia CMLBP: hen liittyvien ennakoivien tekijöiden tunnistamiseksi terveydenhuollon ammattien keskuudessa.

Tutkimukset yksinkertaisesti tunnistavat kroonisuuteen liittyvät tekijät, ne eivät kuitenkaan tutki, tarvitaanko yhden tekijän läsnäolo vai tarvitaanko tietty tekijäyhdistelmä. Siksi tätä tutkimusta jatketaan kattavamman mallin kehittämiseksi, mukaan lukien monien tekijöiden väliset yhteydet, jotka saattavat ennakoida CMLBP: n ennustetta terveydenhuollon ammatissa, sen lisäksi, mitkä tekijät ovat todella tärkeitä. Näytteen koon laskenta perustuu tehoanalyysiin käyttämällä G*-teho -ohjelmaa 3.1.9 (G Power Program -versio 3.1, Heinrich-Heine-University, Düsseldorf, Saksa). Otoksen koon laskenta riippuu pilottitutkimuksesta, joka sisältää 10 potilasta, joilla on diagnosoitu krooninen mekaaninen alaselän kipu monen regression tutkimiseksi riippuvan muuttujan (kivun voimakkuus) ja riippumattomien muuttujien (ikä, sukupuoli, BMI, fyysisen aktiivisuuden pisteet, kivun kesto , ammatti, työkokemus, kuormitustunnit (tuntia/päivä), kuormitustunteja (päiviä/viikko), työhön liittyvään toistuvaan sijaintiin, Tampan kokonaispistemäärä ja toiminnallinen vammaisuus). Tämän pilottitutkimuksen neliömäinen korrelaatio (R2) = 0,140. Näytteen koon laskenta, joka perustuu F-testeihin (lineaarinen monen regressio: kiinteä malli, r² poikkeama nollasta), tyypin I virhe (α) = 0,05, teho (1-β-virheen todennäköisyys) = 0,80 ja vaikutuksen koko F2 = 0,1627907 kokonaismäärällä kokonaismäärällä Näytteen koko 118 osallistujalle. Kun otetaan huomioon 10%: n pudotusprosentti, tämän tutkimuksen asianmukainen vähimmäisnäytteen koko on 130 osallistujaa, joilla on diagnosoitu krooninen mekaaninen alaselän kipu. Otoksen koon laskenta riippui pilottitutkimuksesta, joka sisälsi 10 potilasta, joilla oli diagnosoitu krooninen mekaaninen alaselän kipu monen regression tutkimiseksi riippuvan muuttujan (kivun voimakkuus) ja riippumattomien muuttujien (ikä, sukupuoli, BMI, fyysisen aktiivisuuden pisteet, kivun kesto , ammatti, työkokemus, kuormitustunnit (tuntia/päivä), kuormitustunteja (päiviä/viikko), työhön liittyvään toistuvaan sijaintiin, Tampan kokonaispistemäärä ja toiminnallinen vammaisuus). Tämän pilottitutkimuksen neliömäinen korrelaatio (R2) = 0,140. Näytteen koon laskenta, joka perustuu F-testeihin (lineaarinen monen regressio: kiinteä malli, r² poikkeama nollasta), tyypin I virhe (α) = 0,05, teho (1-β-virheen todennäköisyys) = 0,80 ja vaikutuksen koko F2 = 0,1627907 kokonaismäärällä kokonaismäärällä Näytteen koko 118 osallistujalle. Kun otetaan huomioon 10%: n pudotusprosentti, tämän tutkimuksen asianmukainen vähimmäisnäytteen koko on 130 osallistujaa, joilla on diagnosoitu krooninen mekaaninen alaselän kipu.

Tilastollinen analyysi:

1. Tilastollinen analyysi suoritetaan käyttämällä SPSS -versiota 15.0 tilastollista ohjelmistopakettia (SPSS Inc, Chicago, IL, USA) selvittääkseen, onko mahdolliset prognostiset muuttujat terveydenhuollon etenemisellä, jolla on alaselän kipu.
2. Demografiset tiedot ilmaistaan ​​keskiarvona ± keskihajonta kaikille jatkuville muuttujille ja Chi -neliö sukupuolen jakautumiselle ryhmien välillä.
3. Ennen lopullista analysointia tietoa seulotaan normaalisuuden oletuksen, varianssin homogeenisuuden ja äärimmäisten pisteiden esiintymisen suhteen.
4. Käytetään normaalitestejä, mukaan lukien Shapiro Wilk -testi ja Kolmogorov-Smirnov-testi.
5. Herkkyys, spesifisyys ja positiiviset todennäköisyyssuhteet lasketaan jokaiselle potentiaaliselle ennustajamuuttujalle. Tarkin muuttujaryhmän määrittämiseksi mekaanisen alaselän kivun ennustamisen ennustamiseksi potentiaaliset ennustajamuuttujat syötetään askeltisellisiin logistiseen regressiomalliin (p <0,05).