Productivity Loss Due to Presenteeism Among Patients with Arthritis: Estimates from 4 Instruments
Notice bibliographique
Résumé
OBJECTIVE: To estimate and compare lost work hours attributable to presenteeism, defined as reduced productivity while working, in individuals with osteoarthritis (OA) or rheumatoid arthritis (RA), according to 4 instruments. METHODS: In our prospective study, 250 workers with OA (n = 130) or RA (n = 120) were recruited from community and clinical sites. Lost hours due to presenteeism at baseline were estimated using the Health and Labor Questionnaire (HLQ), the Work Limitations Questionnaire (WLQ), the World Health Organization's Health and Work Performance Questionnaire (HPQ), and the Work Productivity and Activity Impairment Questionnaire (WPAI). Only those respondents working over the past 2 weeks were included. Repeated-measures ANOVA was used to compare the lost-time estimates, according to each instrument. RESULTS: Of the 212 respondents included in the analyses, the frequency of missing and "0" values among the instruments was different (17% and 61% for HLQ, 8% and 5% for WLQ, 1% and 16% for HPQ, 0% and 27% for WPAI, respectively). The average numbers of lost hours (SD) per 2 weeks due to presenteeism using HLQ, WLQ, HPQ, and WPAI were 1.6 (3.9), 4.0 (3.9), 13.5 (12.5), and 14.2 (16.7). The corresponding costs for the 2-week period were CAN$30.03, $83.05, $284.07, and $285.10. The differences in the lost-hour estimates according to instruments were significant (p < 0.001). CONCLUSION: Among individuals with arthritis, estimates of productivity losses while working vary widely according to the instruments chosen. Further research on instrument design and implications for a standardized approach to estimate lost time due to presenteeism is needed.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».