Best practice intervention for post-traumatic stress disorder among transit workers
Notice bibliographique
Résumé
BACKGROUND: Transportation industry workers are at high risk for exposure to traumatic incidents in the workplace. A considerable number of those exposed to such incidents will develop post-traumatic stress disorder (PTSD) symptoms, which leads to high rates of absenteeism and are costly to the public transit corporation and workplace safety compensation insurance. OBJECTIVE: To determine whether the newly implemented Best Practice Intervention (BPI) provides superior outcomeswhen compared with Treatment-as-Usual (TAU) interventions in improving workers' rates of return to work (RTW), decreasing duration of time lost from work and overall reduction in severity of PTSD symptoms 6 months after exposure. METHODS: A sequential mixed methods approach was used with qualitative analysis followed by a pre-post intervention design. Sixty-two participants were recruited to the (TAU) phase of the study and 79 to the (BPI) phase. RESULTS: Significant differences were observed between the TAU and BPI groups in number of lost work days (TAU: 20 days vs. BPI: 52 days, p = 0.02). PTSD symptoms decreased with time (MPPS score: 51.3 vs. 24.35; p < 0.001). One-fifth of the participants (21 %) did not return to work by the end of the 6 months follow-up period. CONCLUSIONS: The study demonstrated the value of workplace interventions in improving awareness of psychological symptoms after exposure to a traumatic incident and the value of screening for PTSD symptoms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».