Abstract "Objective：To systematically evaluate the risk prediction model of work-related musculoskeletal disorders in nursing staff.Methods：WanFang Database，CBM，CNKI，EMbase，PubMed，Web of Science，and the Cochrane Library were searched for research on risk prediction models for musculoskeletal disorders related to nursing staff work.The retrieval time limit was from the establishment of the database to June 1，2024.Two researchers independently reviewed the literature，collected data，and evaluated the risk of bias and applicability.Results：A total of 6 articles were included and 9 prediction models were established.The overall applicability was general and the risk of bias was high.Common predictors were age，working years，body posture，repetitive movements，etc.The AUC included in the model ranged from 0.749 to 0.904.Conclusions：The overall prediction performance of the risk prediction model for work-related musculoskeletal disorders in nursing staff is generally moderate，and the data source，construction design and statistical analysis need to be further improved.In the future，external validation of existing models should be carried out or high-quality prediction models with good performance should be developed.

摘要""目的：對(duì)護(hù)理人員工作相關(guān)性肌肉骨骼疾患風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行系統(tǒng)評(píng)價(jià)。方法：通過(guò)檢索萬(wàn)方數(shù)據(jù)庫(kù)、中國(guó)生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫(kù)、中國(guó)知網(wǎng)、EMbase、PubMed、Web of Science和the Cochrane Library，搜集自建庫(kù)至2024年6月1日與護(hù)理人員工作相關(guān)性肌肉骨骼疾患風(fēng)險(xiǎn)預(yù)測(cè)模型的相關(guān)研究。由2名研究者獨(dú)立查閱文獻(xiàn)、收集數(shù)據(jù)并對(duì)其偏倚風(fēng)險(xiǎn)和適用性進(jìn)行評(píng)價(jià)。結(jié)果：共納入6篇文獻(xiàn)，建立9個(gè)預(yù)測(cè)模型，整體適用性一般，偏倚風(fēng)險(xiǎn)較高。常見(jiàn)的預(yù)測(cè)因子為年齡、工作年限、身體姿勢(shì)、重復(fù)性動(dòng)作等，納入模型的受試者工作特征曲線下面積為0.749～0.904。結(jié)論：護(hù)理人員工作相關(guān)性肌肉骨骼疾患風(fēng)險(xiǎn)預(yù)測(cè)模型整體預(yù)測(cè)性能一般，在數(shù)據(jù)來(lái)源、構(gòu)建設(shè)計(jì)和統(tǒng)計(jì)分析方面有待進(jìn)一步提升。未來(lái)應(yīng)對(duì)現(xiàn)有模型開(kāi)展外部驗(yàn)證或開(kāi)發(fā)性能優(yōu)良的高質(zhì)量預(yù)測(cè)模型。

關(guān)鍵詞""護(hù)理人員；工作相關(guān)性肌肉骨骼疾患；預(yù)測(cè)模型；系統(tǒng)評(píng)價(jià)；循證護(hù)理

doi：10.12102/j.issn.2095-8668.2025.06.004

工作相關(guān)性肌肉骨骼疾患（work?related musculoskeletal disorders，WMSDs）涉及肌肉、肌腱、韌帶、關(guān)節(jié)、軟骨和椎間盤(pán)的損傷或疾病，是工作場(chǎng)所最普遍、最常見(jiàn)、致殘率最高的疾?。??3］。目前判斷國(guó)內(nèi)外護(hù)理人員WMSDs，以應(yīng)用最為廣泛的北歐肌肉骨骼疾患問(wèn)卷（Nordic Musculoskeletal Questionnaire，NMQ）［4］和楊磊等中文版肌肉骨骼疾患量表［5］為判定標(biāo)準(zhǔn)。我國(guó)ICU護(hù)理人員WMSDs的患病率為56%～92%［6］。一項(xiàng)薈萃分析整合不同國(guó)家護(hù)士的WMSDs患病率為77.2%［7］。此外，WMSDs 還導(dǎo)致人員缺勤率增加，嚴(yán)重影響人員的工作能力，已成為影響護(hù)理人員職業(yè)健康的一個(gè)重要疾患［8?9］。風(fēng)險(xiǎn)預(yù)測(cè)模型作為一種數(shù)學(xué)模型，用于評(píng)估個(gè)體或群體在未來(lái)發(fā)生某種事件或結(jié)果的可能性。這種模型通過(guò)分析已知特征、變量或指標(biāo)，以預(yù)測(cè)特定事件發(fā)生概率［10］。在醫(yī)學(xué)領(lǐng)域中預(yù)測(cè)模型可幫助醫(yī)護(hù)人員早期識(shí)別功能下降的高危人群，有針對(duì)性地采取預(yù)見(jiàn)性干預(yù)以降低功能下降的發(fā)生率［11］。但目前對(duì)于護(hù)理人員WMSDs預(yù)測(cè)模型的偏倚風(fēng)險(xiǎn)和臨床適用性尚未清楚，研究結(jié)果能否轉(zhuǎn)化為臨床實(shí)踐的可行性仍有疑問(wèn)。故本研究對(duì)國(guó)內(nèi)外護(hù)理人員WMSDs風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行系統(tǒng)性分析評(píng)價(jià)，以期為護(hù)理人員構(gòu)建相關(guān)預(yù)測(cè)模型提供參考依據(jù)。

1 資料與方法

1.1 納入與排除標(biāo)準(zhǔn)

1.1.1 納入標(biāo)準(zhǔn)

1）研究類型：觀察性研究等；2）研究對(duì)象：從事護(hù)理工作人員；3）研究?jī)?nèi)容：收集構(gòu)建護(hù)理人員WMSDs風(fēng)險(xiǎn)預(yù)測(cè)模型，并描述模型建立、驗(yàn)證和評(píng)價(jià)過(guò)程。

1.1.2 排除標(biāo)準(zhǔn)

1）數(shù)據(jù)資料不全或未獲取全文；2）基于系統(tǒng)評(píng)價(jià)再構(gòu)建預(yù)測(cè)模型；3）非正式或重復(fù)發(fā)表文獻(xiàn)。

1.2 文獻(xiàn)檢索策略

檢索萬(wàn)方數(shù)據(jù)庫(kù)（WanFang Database）、中國(guó)生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫(kù)（CBM）、中國(guó)知網(wǎng)（CNKI）、EMbase、PubMed、Web of Science及the Cochrane Library，通過(guò)綜合使用主題詞和自由詞，收集建庫(kù)至2024年6月1日與護(hù)理人員WMSDs風(fēng)險(xiǎn)預(yù)測(cè)模型相關(guān)的研究。同時(shí)進(jìn)行回溯式檢索，確保資料的完整性和準(zhǔn)確性。中文檢索式為：“工作相關(guān)性肌肉骨骼疾患OR肌肉骨骼痛OR肌骨骼疾病OR肌肉骨骼損傷OR腰背痛”AND“護(hù)士OR護(hù)理人員”AND“預(yù)測(cè)*OR風(fēng)險(xiǎn)預(yù)測(cè)模型OR風(fēng)險(xiǎn)評(píng)估OR預(yù)測(cè)模型OR預(yù)后模型OR列線圖OR預(yù)警”。英文檢索式為：“musculoskeletal disorders OR musculoskeletal diseases OR musculoskeletal pain OR musculoskeletal injury”AND“nurs*”AND“predict* OR risk prediction models OR predictive model OR risk assessment OR nomogram OR prognostic model OR early warning”。

1.3 文獻(xiàn)篩選與數(shù)據(jù)提取

為確保研究的客觀性和一致性，在實(shí)際操作中由2名研究者分別按照納入、排除標(biāo)準(zhǔn)對(duì)文獻(xiàn)進(jìn)行篩選，并進(jìn)行相互校驗(yàn)，若有爭(zhēng)議，交由第三方裁決。在此基礎(chǔ)上，根據(jù)預(yù)測(cè)模型研究系統(tǒng)評(píng)價(jià)的關(guān)鍵評(píng)估和數(shù)據(jù)提取清單（Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies，CHARMS）［12］制訂數(shù)據(jù)收集表，包括第一作者、時(shí)間、國(guó)家、研究類型、研究對(duì)象、樣本量、構(gòu)建模型方法、建模數(shù)量、模型呈現(xiàn)方式等。

1.4 文獻(xiàn)質(zhì)量評(píng)價(jià)

2名研究者采用預(yù)測(cè)模型偏倚風(fēng)險(xiǎn)評(píng)價(jià)工具（Prediction Model Risk of Bias Assessment Tool，PROBAST）［13?14］分別對(duì)納入研究進(jìn)行評(píng)價(jià)，當(dāng)出現(xiàn)爭(zhēng)議時(shí)由第三方裁決。PROBAST從4個(gè)主要領(lǐng)域?qū)ρ芯窟M(jìn)行評(píng)估：研究對(duì)象、預(yù)測(cè)因子、結(jié)果和分析。每個(gè)領(lǐng)域包括2～9個(gè)問(wèn)題，每個(gè)問(wèn)題的回答方式為：“是/可能是”“可能否/否”“沒(méi)有信息”。最終對(duì)每個(gè)領(lǐng)域的偏倚風(fēng)險(xiǎn)作出“高風(fēng)險(xiǎn)”“低風(fēng)險(xiǎn)”“不清楚”的判斷。這些領(lǐng)域總共涵蓋了20個(gè)問(wèn)題，旨在促進(jìn)結(jié)構(gòu)化判斷偏倚風(fēng)險(xiǎn)。適用性評(píng)估涵蓋3個(gè)領(lǐng)域：研究對(duì)象、預(yù)測(cè)因子和結(jié)果，每個(gè)區(qū)域評(píng)價(jià)按“高風(fēng)險(xiǎn)”“低風(fēng)險(xiǎn)”“不清楚”進(jìn)行評(píng)估。該工具不僅能評(píng)估單個(gè)模型，也能進(jìn)行多個(gè)模型的比較。

1.5 統(tǒng)計(jì)學(xué)方法

由于納入研究的異質(zhì)性較大、研究的偏倚來(lái)源不同、模型構(gòu)建方法不同等原因，本研究?jī)H對(duì)結(jié)果進(jìn)行描述性分析。

2 結(jié)果

2.1 文獻(xiàn)檢索結(jié)果

初步檢索獲得1 295篇文獻(xiàn)，經(jīng)逐層篩選后，最終納入文獻(xiàn)6篇［15?20］。文獻(xiàn)篩選流程及結(jié)果見(jiàn)圖1。

2.2 納入研究的基本特征

納入文獻(xiàn)6篇［15?20］，共9個(gè)模型，均為橫斷面研究；英文3篇［18?20］，中文3篇［15?17］；其中3篇［15?17］為多中心研究；2篇［16，19］為模型建立，4篇［15，17?18，20］為模型建立及內(nèi)部和（或）外部驗(yàn)證。納入研究的基本特征見(jiàn)表"1。

2.3 模型的建立與驗(yàn)證情況

共納入6篇文獻(xiàn)，包括9個(gè)預(yù)測(cè)模型。所有研究均報(bào)告了建立模型需要的樣本量，為104～1 020例，許娜等［15］在某市抽取1 020名護(hù)士，為迄今為止最大樣本量的研究；唐青峰等［16］采用分層隨機(jī)抽樣收集某地區(qū)30所醫(yī)院ICU護(hù)士WMSDs相關(guān)資料，該研究在不同地區(qū)抽取樣本量可減少抽樣誤差。在建模的方法選擇上，納入文獻(xiàn)均采用Logistic回歸分析方法建模，其中2篇［15，18］采用多因素Logistic回歸，1篇［17］采用隨機(jī)拆分及多因素Logistic回歸分析，1篇［19］采用逐步向前選擇法及多因素Logistic回歸分析法。并且許娜等［15］分別建立工作1年及工作1周護(hù)士發(fā)生肌肉骨骼疾患的預(yù)測(cè)模型并進(jìn)行模型驗(yàn)證。在缺失數(shù)據(jù)處理方面，2篇［15?16］文獻(xiàn)直接刪除缺失數(shù)據(jù)，其余文獻(xiàn)未報(bào)告缺失數(shù)據(jù)的處理方法。在模型性能方面，所有納入模型的受試者工作特征曲線下面積（area under the curve，AUC）為0.749～0.904。5篇［15?18，20］文獻(xiàn)采用AUC報(bào)告區(qū)分度，1篇［19］文獻(xiàn)采用受試者工作特征（receive roperating characteristic，ROC）報(bào)告區(qū)分度，均gt;0.7，模型性能良好，1篇［20］僅使用預(yù)測(cè)概率公式后提及模型的正確率為90.4%。3篇［16?18］文獻(xiàn)研報(bào)告靈敏度和特異度。在預(yù)測(cè)因子的選擇上，2篇［16?17］文獻(xiàn)采用單因素分析篩選有統(tǒng)計(jì)學(xué)意義的候選因子，然后通過(guò)Logistic回歸公式或R軟件進(jìn)行多因素分析。各研究候選預(yù)測(cè)因子7～67個(gè)，最終納入預(yù)測(cè)因子5～11個(gè)。其中年齡、工作年限、重復(fù)動(dòng)作、身體姿勢(shì)等是最常見(jiàn)的預(yù)測(cè)因子。模型的構(gòu)建與驗(yàn)證情況見(jiàn)表2、表3。

2.4 偏倚風(fēng)險(xiǎn)與適用性評(píng)價(jià)結(jié)果

偏倚風(fēng)險(xiǎn)強(qiáng)度中，研究對(duì)象方面，所有研究均為高偏倚風(fēng)險(xiǎn)，主要與其數(shù)據(jù)來(lái)源均為橫斷面研究，不屬于PROBAST推薦的前瞻性隊(duì)列研究、隨機(jī)對(duì)照試驗(yàn)、巢式病例對(duì)照研究等低偏倚數(shù)據(jù)來(lái)源。預(yù)測(cè)因子方面，1項(xiàng)［18］研究為“不清楚”，其很大程度上是因?yàn)槲磮?bào)告是否在不了解結(jié)果信息的情況下評(píng)估預(yù)測(cè)因子。結(jié)果方面，3項(xiàng)［16，18，20］研究存在高偏倚風(fēng)險(xiǎn)，未提及對(duì)其結(jié)果進(jìn)行客觀的界定，或結(jié)果是否有標(biāo)準(zhǔn)界定，以及對(duì)其作出判斷的時(shí)間間隔是否合理。分析方面，所有研究均存在“高偏倚”，主要為部分模型樣本量不夠合理、未考慮模型的擬合不足與過(guò)度擬合、基于單變量分析篩選預(yù)測(cè)變量、未報(bào)告缺失數(shù)據(jù)及處理方法以及缺少模型相關(guān)性能指標(biāo)評(píng)價(jià)?？傮w適用性方面，2項(xiàng)［19?20］研究的適用性較低，其余有較好的適用前景。納入研究的偏倚風(fēng)險(xiǎn)和適用性評(píng)價(jià)見(jiàn)表4。

3 討論

3.1 護(hù)理人員WMSDs預(yù)測(cè)模型的不足之處

系統(tǒng)檢索國(guó)內(nèi)外護(hù)理人員WMSDs風(fēng)險(xiǎn)預(yù)測(cè)模型，共納入6篇文獻(xiàn)，包括9個(gè)預(yù)測(cè)模型。所有納入研究均采用Logistic 回歸方法構(gòu)建預(yù)測(cè)模型。其中，許娜等［15，17］構(gòu)建的預(yù)測(cè)模型性能良好，AUC為0.782～0.836，并且進(jìn)行外部驗(yàn)證，具有較好的可移植性和可泛化性。納入研究中外部驗(yàn)證較少，使得可用于臨床的模型非常有限［21］。與模型的構(gòu)建相比，模型的外部驗(yàn)證存在一定的滯后性。因此，為促進(jìn)模型在臨床使用，研究者應(yīng)重視模型的驗(yàn)證。Logistic回歸是機(jī)器學(xué)習(xí)中的經(jīng)典算法之一，構(gòu)建的模型可以從特征的權(quán)重中看到不同的特征對(duì)最后結(jié)果的影響，具有簡(jiǎn)單易懂、可解釋性強(qiáng)等優(yōu)點(diǎn)；但對(duì)多重共線性數(shù)據(jù)較為敏感，無(wú)法處理非線性和復(fù)雜問(wèn)題［22］。除傳統(tǒng)的Logistic回歸算法外，未來(lái)研究者對(duì)于護(hù)理人員WMSDs風(fēng)險(xiǎn)預(yù)測(cè)模型的研究還可采用樸素貝葉斯、隨機(jī)森林、決策樹(shù)、人工神經(jīng)網(wǎng)絡(luò)以及深度學(xué)習(xí)模型等方法建模，建議未來(lái)研究者應(yīng)運(yùn)用先進(jìn)且合適的機(jī)器學(xué)習(xí)算法和數(shù)據(jù)挖掘技術(shù)，基于多中心、大樣本數(shù)據(jù)，構(gòu)建出預(yù)測(cè)性能良好、穩(wěn)定性強(qiáng)的護(hù)理人員WMSDs風(fēng)險(xiǎn)預(yù)測(cè)模型。

3.2 護(hù)理人員WMSDs預(yù)測(cè)模型整體偏倚風(fēng)險(xiǎn)較高

本研究納入研究中模型總體預(yù)測(cè)性能和適用性一般，偏倚風(fēng)險(xiǎn)較高。模型在數(shù)據(jù)來(lái)源、構(gòu)建設(shè)計(jì)和統(tǒng)計(jì)分析領(lǐng)域有待進(jìn)一步提升。納入研究均為觀察性研究，且為基于自我報(bào)告，調(diào)查結(jié)果可能受到回憶錯(cuò)誤或?qū)δ承┍┞跺e(cuò)誤分類的信息偏差的影響。后期可加入肌電圖檢查［23］等客觀指標(biāo)以及使用隊(duì)列研究、巢式病例對(duì)照等方式以降低關(guān)于研究對(duì)象的偏倚風(fēng)險(xiǎn)。樣本量是構(gòu)建穩(wěn)定模型的前提，計(jì)算樣本量時(shí)應(yīng)考慮候選變量與結(jié)局事件數(shù)的比例［10］。在構(gòu)建預(yù)測(cè)模型時(shí)，建議每個(gè)自變量應(yīng)至少有20個(gè)事件數(shù)，以保證統(tǒng)計(jì)效力，進(jìn)行模型驗(yàn)證時(shí)，應(yīng)確保至少包含100個(gè)樣本，以驗(yàn)證模型的穩(wěn)健性和可靠性［24］，但納入的所有研究中樣本量未能滿足這一標(biāo)準(zhǔn)。缺失數(shù)據(jù)及處理方面，4項(xiàng)［17?20］研究未報(bào)告缺失數(shù)據(jù)及處理，2項(xiàng)［15?16］研究采用刪除法進(jìn)行缺失數(shù)據(jù)處理。在研究過(guò)程中，若只簡(jiǎn)單處理納入對(duì)象的缺失數(shù)據(jù)，可能會(huì)產(chǎn)生偏倚。無(wú)論是在模型設(shè)計(jì)還是驗(yàn)證研究中，多重插補(bǔ)在誤差和精確度上都比其他方法更優(yōu)［14］。4項(xiàng)［16?19］研究直接或間接采用單因素分析篩選有統(tǒng)計(jì)學(xué)意義的變量以構(gòu)建多變量模型。單因素分析法篩選的預(yù)測(cè)因素只基于在統(tǒng)計(jì)上的重要性（Plt;0.05），沒(méi)有和其他自變量一起分析。而其中一些因素只能通過(guò)改動(dòng)其他因素獲得意義。因此，可能因?yàn)楹雎粤艘恍┳宰兞繉?dǎo)致出現(xiàn)偏倚［14］。預(yù)測(cè)因子的篩選應(yīng)將統(tǒng)計(jì)學(xué)方法與臨床、模型使用時(shí)的適用性及預(yù)測(cè)因子收集的便捷性等因素綜合考慮。未來(lái)研究者應(yīng)盡可能使用PROBAST［13］偏倚風(fēng)險(xiǎn)評(píng)估工具以減少模型的偏倚風(fēng)險(xiǎn)?？蓞⒄諅€(gè)體預(yù)后與診斷預(yù)測(cè)模型研究報(bào)告標(biāo)準(zhǔn)（transparent reporting of a multivariable prediction model for individual prognosis or diagnosis，TRIPOD）［25］，建立高質(zhì)量的風(fēng)險(xiǎn)預(yù)測(cè)模型。

3.3 護(hù)理人員WMSDs預(yù)測(cè)模型的高頻預(yù)測(cè)因子

本研究最終包含護(hù)士WMSDs高危預(yù)測(cè)因子5～11個(gè)，出現(xiàn)最多次數(shù)的為年齡、身體姿勢(shì)、重復(fù)性動(dòng)作等。WMSDs與年齡關(guān)系密切，肌肉骨骼的質(zhì)量和力量隨著年齡的增長(zhǎng)而下降，導(dǎo)致對(duì)負(fù)荷的耐受性降低。有研究報(bào)道，2017年肌肉骨骼疾病的負(fù)擔(dān)總體上隨著年齡的增長(zhǎng)而增加，女性更普遍［26］。在醫(yī)療機(jī)構(gòu)中，護(hù)理操作繁重，如搬動(dòng)病人、靜脈輸液、給藥以及更換引流袋/導(dǎo)管等操作中，護(hù)士經(jīng)常需要采取彎曲、扭曲和低頭的姿勢(shì)，可能導(dǎo)致護(hù)士腰部、頸部和肩部的高機(jī)械負(fù)荷和姿勢(shì)壓力［27］。持續(xù)的肌肉收縮會(huì)產(chǎn)生疲勞，“人體工程學(xué)負(fù)荷?肌肉反應(yīng)?疲勞?損傷”模型在WMSDs的開(kāi)發(fā)中具有重要意義［28］。衛(wèi)生人員報(bào)告的WMSDs主要原因都與維持和重復(fù)動(dòng)作姿勢(shì)有關(guān)［8］。2018年發(fā)表在The Lancet上的行動(dòng)呼吁強(qiáng)調(diào)解決全球腰痛負(fù)擔(dān)日益加重的必要性，并概述了應(yīng)對(duì)這一挑戰(zhàn)所需的一系列行動(dòng)［29］。關(guān)鍵的預(yù)防策略之一是基于人體工程學(xué)，根據(jù)工作場(chǎng)所條件和工作需求進(jìn)行調(diào)整，以適應(yīng)一般工作人群的能力，目的是減少某些工作活動(dòng)對(duì)肌肉骨骼系統(tǒng)的負(fù)面影響。適當(dāng)?shù)娜梭w工程學(xué)方法可以通過(guò)消除或減少工人暴露于危險(xiǎn)因素以預(yù)防骨骼和肌肉疾?。?］。在各種實(shí)踐中評(píng)估姿勢(shì)及WMSDs風(fēng)險(xiǎn)非常重要，可使用符合人體工程學(xué)的工具識(shí)別最暴露的關(guān)節(jié)和身體區(qū)域，如一種基于可穿戴慣性測(cè)量單元（IMU）的新型系統(tǒng)，可客觀和全面評(píng)估WMSDs，從而提高工作場(chǎng)所的安全性［30］。未來(lái)的工作可以集中于工作環(huán)境設(shè)計(jì)，特別是設(shè)備的定位和調(diào)整以及姿勢(shì)分析，以減少WMSDs的發(fā)生。本研究的局限性：1）數(shù)據(jù)來(lái)源較為主觀；2）部分納入研究缺乏護(hù)理人員WMSDs風(fēng)險(xiǎn)預(yù)測(cè)模型的外部驗(yàn)證，外推性較差；3）部分納入的研究中人群來(lái)自單一的醫(yī)學(xué)中心。

4 小結(jié)

目前，護(hù)理人員WMSDs風(fēng)險(xiǎn)預(yù)測(cè)模型處于發(fā)展階段，模型的預(yù)測(cè)性能較好，但整體偏倚風(fēng)險(xiǎn)較高，適用性一般，有待加強(qiáng)。研究者應(yīng)運(yùn)用先進(jìn)且合適的機(jī)器學(xué)習(xí)算法和數(shù)據(jù)挖掘技術(shù)，深入挖掘與WMSDs相關(guān)的因素。通過(guò)構(gòu)建具有代表性和外推性的風(fēng)險(xiǎn)預(yù)測(cè)模型，以更準(zhǔn)確地識(shí)別高風(fēng)險(xiǎn)人群。同時(shí)，對(duì)現(xiàn)有模型進(jìn)行外部驗(yàn)證、更新和定期校準(zhǔn)，可以確保模型性能的可靠性。這些措施將有助于實(shí)施更精準(zhǔn)的針對(duì)性預(yù)防措施，降低WMSDs的發(fā)生風(fēng)險(xiǎn)，從而提高護(hù)理人員的生活質(zhì)量。

參考文獻(xiàn)：

［1］ CHINI G，F(xiàn)IORI L，TATARELLI A，et al.Indexes for motor performance assessment in job integration/reintegration of people with neuromuscular disorders：a systematic review[J].Frontiers in Neurology，2022，13：968818.

［2］ SOARES C O，PEREIRA B F，PEREIRA GOMES M V，et al.Preventive factors against work-related musculoskeletal disorders：narrative review[J].Revista Brasileira de Medicina Do Trabalho，2020，17（3）：415-430.

［3］ GREGGI C，VISCONTI V V，ALBANESE M，et al.Work-related musculoskeletal disorders：a systematic review and Meta-analysis[J].Journal of Clinical Medicine，2024，13（13）：3964.

［4］ TESFAYE A H，KABITO G G，ARAGAW F M，et al.Prevalence and risk factors of work-related musculoskeletal disorders among shopkeepers in Ethiopia：evidence from a workplace cross-sectional study[J].PLoS One，2024，19（3）：e0300934.

［5］ 楊磊，HILDEBRANDT V H，余善法，等.肌肉骨骼疾患調(diào)查表介紹（附調(diào)查表）[J].工業(yè)衛(wèi)生與職業(yè)病，2009，35（1）：25-31.

［6］ YANG S，LU J M，ZENG J Q，et al.Prevalence and risk factors of work-related musculoskeletal disorders among intensive care unit nurses in China[J].Workplace Health amp; Safety，2019，67（6）：275-287.

［7］ SUN W G，YIN L S，ZHANG T Q，et al.Prevalence of work-related musculoskeletal disorders among nurses：a Meta-analysis[J].Iranian Journal of Public Health，2023，52（3）：463-475.

［8］ JACQUIER-BRET J，GORCE P.Prevalence of body area work-related musculoskeletal disorders among healthcare professionals：a systematic review[J].International Journal of Environmental Research and Public Health，2023，20（1）：841.

［9］ 徐擎，凌瑞，劉移民，等.中國(guó)醫(yī)療行業(yè)工作相關(guān)肌肉骨骼疾患發(fā)生模式及其影響因素分析[J].中華疾病控制雜志，2022，26（8）：888-896.

［10］ 魯小丹，衛(wèi)建華，沈建通，等.預(yù)測(cè)模型系統(tǒng)評(píng)價(jià)的制作方法與步驟[J].中國(guó)循證醫(yī)學(xué)雜志，2023，23（5）：602-609.

［11］ HAN X，NISHIDA N，MORITA M，et al.Compensation method for missing and misidentified skeletons in nursing care action assessment by improving spatial temporal graph convolutional networks[J].Bioengineering，2024，11（2）：127.

［12］ MOONS K G M，DE GROOT J A H，BOUWMEESTER W，et al.Critical appraisal and data extraction for systematic reviews of prediction modelling studies：the CHARMS checklist[J].PLoS Medicine，2014，11（10）：e1001744.

［13］ WOLFF R F，MOONS K G M，RILEY R D，et al.PROBAST：a tool to assess the risk of bias and applicability of prediction model studies[J].Annals of Internal Medicine，2019，170（1）：51-58.

［14］ 陳香萍，張奕，莊一渝，等.PROBAST：診斷或預(yù)后多因素預(yù)測(cè)模型研究偏倚風(fēng)險(xiǎn)的評(píng)估工具[J].中國(guó)循證醫(yī)學(xué)雜志，2020，20（6）：737-744.

［15］ 許娜，楊春玲，董棟，等.護(hù)士職業(yè)性肌肉骨骼疾病風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建與驗(yàn)證[J].中華現(xiàn)代護(hù)理雜志，2022，28（14）：1876-1883.

［16］ 唐青峰，葉改花，程興朋，等.ICU護(hù)理人員腰頸肩肌肉骨骼疾患風(fēng)險(xiǎn)預(yù)測(cè)模型的研究[J].現(xiàn)代預(yù)防醫(yī)學(xué)，2022，49（15）：2867-2874.

［17］ 毛杜鵑.手術(shù)室護(hù)士職業(yè)性肌肉骨骼疾病風(fēng)險(xiǎn)評(píng)估模型的構(gòu)建及應(yīng)用驗(yàn)證[J].當(dāng)代護(hù)士（中旬刊），2024，31（2）：109-115.

［18］ BRAGA A C，CARNEIRO P.Development and validation of a Logistic regression model to estimate the risk of WMSDs in portuguese home care nurses[M]//Computational Science and its Applications-ICCSA 2016.Cham：Springer International Publishing，2016：97-109.

［19］ CARNEIRO P，BRAGA A C，BARROSO M.Forecasting the risk of WRMSDs in home care nurses[C]//.8th International Symposium on Occupational Safety and Hygiene （SHO），Univ Minho，Sch Engn，Guimaraes，Portugal，2012：104-110.

［20］ KHAMAJ A M，ALI A M，ALAM M M.Investigating factors affecting musculoskeletal disorders：predictive models for identifying caregivers at risk[J].Work，2022，72（4）：1311-1320.

［21］ 王俊峰，章仲恒，周支瑞，等.臨床預(yù)測(cè)模型：模型的驗(yàn)證[J].中國(guó)循證心血管醫(yī)學(xué)雜志，2019，11（2）：141-144.

［22］ 莫航灃，陳亞萍，韓慧，等.臨床預(yù)測(cè)模型研究方法與步驟[J].中國(guó)循證醫(yī)學(xué)雜志，2024，24（2）：228-236.

［23］ DICK T J M，TUCKER K，HUG F，et al.Consensus for experimental design in electromyography （CEDE） project：application of EMG to estimate muscle force[J].Journal of Electromyography and Kinesiology，2024，79：102910.

［24］ 俞曉慧，章新瓊，楊勝菊，等.糖尿病患者低血糖發(fā)生風(fēng)險(xiǎn)預(yù)測(cè)模型的系統(tǒng)評(píng)價(jià)[J].中華護(hù)理雜志，2022，57（15）：1830-1839.

［25］ MOONS K G M，ALTMAN D G，REITSMA J B，et al.Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis （TRIPOD）：explanation and elaboration[J].Annals of Internal Medicine，2015，162（1）：W1-73.

［26］ SAFIRI S，KOLAHI A A，CROSS M，et al.Prevalence，deaths，and disability-adjusted life years due to musculoskeletal disorders for 195 countries and territories 1990-2017[J].Arthritis amp; Rheumatology，2021，73（4）：702-714.

［27］ ZHANG T Q，TIAN Y，YIN Y L，et al.Efficacy of an Omaha system-based remote ergonomic intervention program on self-reported work-related musculoskeletal disorders（WMSDs）--a randomized controlled study[J].Heliyon，2024，10（2）：e24514.

［28］ GALLAGHER S，HEBERGER J R.Examining the interaction of force and repetition on musculoskeletal disorder risk：a systematic literature review[J].Human Factors，2013，55（1）：108-124.

［29］ BUCHBINDER R，VAN TULDER M，BIRGITTA ?，et al.Low back pain：a call for action[J].The Lancet，2018，391（10137）：2384-2388.

［30］ BAKLOUTI S，CHAKER A，REZGUI T，et al.A novel IMU-based system for work-related musculoskeletal disorders risk assessment[J].Sensors，2024，24（11）：3419.

（收稿日期：2024-10-15；修回日期：2025-02-21）

（本文編輯"賈小越）

基金項(xiàng)目"甘肅省科技計(jì)劃項(xiàng)目，編號(hào)：21CX6ZA119

作者簡(jiǎn)介"盧俊玲，護(hù)師，碩士研究生在讀

* 通訊作者"田文艷，E-mail：tianwy2021@163.com

引用信息"盧俊玲，田文艷，王田，等.護(hù)理人員工作相關(guān)性肌肉骨骼疾患風(fēng)險(xiǎn)預(yù)測(cè)模型的系統(tǒng)評(píng)價(jià)［J］.循證護(hù)理，2025，11（6）：1039-1044.