Excess Productivity Costs of Systemic Lupus Erythematosus, Systemic Sclerosis, and Sjögren's Syndrome: A General Population–Based Study
Notice bibliographique
Résumé
OBJECTIVE: To determine excess productivity losses and costs of systemic lupus erythematosus (SLE), systemic sclerosis (SSc), and Sjögren's syndrome (SS) at the population level. METHODS: Administrative databases from the province of British Columbia, Canada, were used to establish population-based cohorts of SLE, SSc, and SS, and matched comparison cohorts were selected from the general population. Random samples from these cohorts were surveyed about time absent from paid and unpaid work and working at reduced levels/efficiency (presenteeism), using validated labor questionnaires. We estimated excess productivity losses and costs of each diagnosis (over and above nonsystemic autoimmune rheumatic diseases [non-SARDs]), using 2-part models and work disability rates (not employed due to health). RESULTS: Surveys were completed by 167 SLE, 42 SSc, and 90 SS patients, and by 375 non-SARDs (comparison group) participants. Altogether, predicted excess hours of paid and unpaid work loss were 3.5, 3.2, and 3.4 hours per week for SLE, SSc, and SS patients, respectively. Excess costs were $86, $69, and $84 (calculated as 2015 Canadian dollars) per week, or $4,494, $3,582, and $4,357 per person annually, respectively. Costs for productivity losses from paid work stemmed mainly from presenteeism (SLE = 69% of costs, SSc = 67%, SS = 64%, and non-SARDs = 53%), not from absenteeism. However, many working-age patients were not employed at all, due to health (SLE = 36%, SSc = 32%, SS = 30%, and non-SARDs = 18%), and the majority of total productivity costs were from unpaid work loss (SLE = 73% of costs, SSc = 74%, SS = 60%, and non-SARDs = 47%). Adjusted excess costs from these unpaid production losses were $127, $100, and $82 per week, respectively, among SLE, SSc, and SS patients. CONCLUSION: In this population-based sample of prevalent SLE, SSc, and SS, lost productivity costs were substantial, mainly from presenteeism and unpaid work impairments.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».