Voorspellers voor de prognose van CMLBP bij beroepszorgberoepen

De meest voorkomende vorm van LBP is niet-specifieke of mechanische LBP. Niet -specifieke LBP (NSLBP) wordt gebruikt wanneer de pathoanatomische oorzaak van de pijn niet kan worden bepaald. Chronische mechanische lage rugpijn is de belangrijkste oorzaak van jaren die wereldwijd met een handicap leefden. Er zijn individuele factoren die het risico op pijnschroniteit kunnen vergroten, zoals biomechanische, psychologische, sociale, milieu-, levensstijl- en persoonlijke factoren. Daarom zal het hoofddoel van de huidige studie zijn om de verwachte klinische voorspellers te onderzoeken die kunnen helpen de prognose van chronische mechanische LBP bij beroepszorgberoepen. Aangezien CMLBP over het algemeen werd gedacht dat ze in de arbeidspopulatie voorkomen, waren eerdere studies gericht op het identificeren van risicofactoren voor CMLBP bij volwassenen van werkende leeftijd. Bepaalde beroepsmatige blootstellingen (bijv. Vibratie van het hele lichaam, vaak draaien of buigen en langdurige staande of zitting), psychologische variabelen (bijv. Depressie, psychologische nood, passieve copingstrategieën en angstvermijdingsovertuigingen) en demografische parameters (bijv. leeftijd en vrouwen) blijken verband te houden met de aanwezigheid van CMLBP in de werkende bevolking. Anderzijds, tot kennis van de auteur, werden geen studies voortgezet om anticiperende factoren te identificeren die verband houden met CMLBP bij beroepszorgberoepen.

Studies identificeren eenvoudig de factoren die verband houden met chroniciteit, ze bestuderen echter niet of de aanwezigheid van 1 factor voldoende is of dat een bepaalde mix van factor vereist is. Daarom zal de huidige studie worden voortgezet om een ​​uitgebreider model te ontwikkelen, inclusief verbindingen tussen meerdere factoren die kunnen anticiperen op de prognose van CMLBP bij gezondheidszorgberoep, naast het overwegen van welke factoren echt belangrijk zijn. De berekening van de steekproefgrootte is gebaseerd op stroomanalyse met behulp van het G*Power Program 3.1.9 (G Power Program versie 3.1, Heinrich-Heine-University, Düsseldorf, Duitsland). De steekproefgrootte berekening is afhankelijk van een pilotstudie, waaronder 10 patiënten met de diagnose chronische mechanische lage rugpijn om multi-regressie te bestuderen tussen afhankelijke variabele (pijnintensiteit) en onafhankelijke variabelen (leeftijd, geslacht, BMI, score van fysieke activiteit, pijn duur van pijn, , Beroep, werkervaring, laaduren (uren/dag), laaduren (dagen/week), werkgerelateerde frequente positie, totale score van tampa en functionele handicap). De vierkante multiple correlatie (R2) voor deze pilotstudie = 0,140. Sampietgrootteberekening op basis van F-tests (lineaire meervoudige regressie: vast model, r²afwijking van nul), type I-fout (α) = 0,05, vermogen (1-β-foutkans) = 0,80 en effectgrootte F2 = 0.1627907 met een totaal Steekproefgrootte voor 118 deelnemers. Gezien een afvalpercentage van 10%, zal de juiste minimale steekproefgrootte voor deze studie 130 deelnemers zijn gediagnosticeerd met chronische mechanische lage rugpijn. De steekproefgrootte berekening was afhankelijk van een pilotstudie, waaronder 10 patiënten met de diagnose chronische mechanische lage rugpijn om multi-regressie te bestuderen tussen afhankelijke variabele (pijnintensiteit) en onafhankelijke variabelen (leeftijd, geslacht, BMI, score van fysieke activiteit, pijn duur van pijn, , Beroep, werkervaring, laaduren (uren/dag), laaduren (dagen/week), werkgerelateerde frequente positie, totale score van tampa en functionele handicap). De vierkante multiple correlatie (R2) voor deze pilotstudie = 0,140. Sampietgrootteberekening op basis van F-tests (lineaire meervoudige regressie: vast model, r²afwijking van nul), type I-fout (α) = 0,05, vermogen (1-β-foutkans) = 0,80 en effectgrootte F2 = 0.1627907 met een totaal Steekproefgrootte voor 118 deelnemers. Gezien een uitval van 10%, zal de juiste minimale steekproefgrootte voor deze studie 130 deelnemers zijn gediagnosticeerd met chronische mechanische lage rugpijn.

Statistische analyse:

1. Statistische analyse zal worden uitgevoerd met behulp van SPSS versie 15.0 Statistisch softwarepakket (SPSS Inc, Chicago, IL, VS) om te bepalen of mogelijke prognostische variabelen onder de progressies in de gezondheidszorg met lage rugpijn.
2. Demografische gegevens worden uitgedrukt als gemiddelde ± standaardafwijking voor alle continue variabelen en chi -vierkant voor geslachtsverdeling tussen groepen.
3. Voorafgaand aan de definitieve analyse zullen gegevens worden gescreend op normaliteitsveronderstelling, homogeniteit van variantie en aanwezigheid van extreme scores.
4. Normaliteitstests, waaronder Shapiro Wilk-test en de Kolmogorov-Smirnov-test zullen worden gebruikt.
5. Gevoeligheid, specificiteit en positieve waarschijnlijkheidsverhoudingen worden berekend voor elke potentiële voorspellende variabele. Om de meest nauwkeurige set variabelen te bepalen voor de voorspelling van de prognose van mechanische lage rugpijn, zullen potentiële voorspellende variabelen worden ingevoerd in een stapsgewijs logistisch regressiemodel (p <0,05).