Identifying return-to-work trajectories using sequence analysis in a cohort of workers with work-related musculoskeletal disorders
Notice bibliographique
Résumé
Objectives This study aimed to identify return-to-work (RTW) trajectories among workers with work-related musculoskeletal disorders (MSD) and examine the associations between different MSD and these RTW trajectories. Methods We used administrative workers' compensation data to identify accepted MSD lost-time claims with an injury date between 2010-2012 in British Columbia, Canada. Cox regression analyses were used to investigate differences in time to RTW between MSD. Validated day-to-day calendar measures of four RTW states (sickness absence, modified RTW, RTW, and non-RTW) were grouped into RTW trajectories spanning a one-year period using sequence analysis. RTW trajectories were clustered using decision rules that identified a shared trajectory structure. Poisson regression with robust standard errors was used to estimate relative risk ratios (RR) with 95% confidence intervals (CI) between MSD and RTW trajectory clusters. Results In a cohort of 81 062 claims, 2132 unique RTW trajectories were identified and clustered into nine RTW trajectory clusters. Half of the workers sustainably returned to work within one month. Workers with back strains were most likely to have trajectories characterized by early sustained RTW, while workers with fractures or dislocations were more likely to have prolonged sickness absence trajectories (RR 4.9-9.9) or non-RTW trajectories (RR 1.4-7.6). Conclusion This is the first study that has characterized different types of RTW trajectories of workers with MSD using sequence analysis. The application of sequence analysis and the identification of RTW trajectories yielded a number of key insights not found using conventional cox regression analysis.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».