Work-related treatment for major depressive disorder and incapacity to work: Preliminary findings of a controlled, matched study.
Notice bibliographique
Résumé
The aim of this study was to compare the effectiveness of work-related cognitive-behavioral treatment (W-CBT) with that of cognitive-behavioral treatment as usual (CBT-AU) for employees on sick leave as a result of a major depressive disorder (MDD). We collected data for 26 matched outpatients at pre- and posttreatment, as well as at 1-year follow-up. Outcome measures were the days of incapacity to work (DIW) as well as self-report measures (Beck Depression Inventory [BDI], Symptom Checklist 90-R [GSI], Life Satisfaction Questionnaire [FLZ]). We analyzed data with hierarchical linear modeling in a 2-level model. Therapy effects were defined in 3 ways: effect size (ES), response (based on the reliable change index), and remission compared with the general population's symptom level. The DIW were reduced significantly after both types of treatment, but employees showed even fewer DIW after W-CBT. At follow-up, significantly more employees were working as a result of W-CBT than with CBT-AU. Significant improvements on scores of self-rating measures corresponded with moderate-to-large effect sizes for both treatment types. Approximately 2 thirds of the treated employees were categorized as unimpaired on BDI scores at posttreatment and at follow-up. At least 1 half of the employees were classified as unimpaired on GSI scores at both assessment points. In future research, a randomized controlled trial should be conducted using a larger sample size to investigate the impact of moderators (e.g., employees at different branches of the company). Findings provided support for using common CBT techniques to enhance return to work without losing expected improvements at the symptom level.
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 | 0,003 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».