Health Care Provider Communication and the Duration of Time Loss Among Injured Workers
Notice bibliographique
Résumé
BACKGROUND: In addition to providing injured workers with biomedical treatment, health care providers (HCPs) can promote return to work (RTW) through various communications. OBJECTIVES: To test the effect of several types of HCP communications on time loss following injury. RESEARCH DESIGN: The authors analyzed survey and administrative claims data from a total of 730 injured workers in Victoria, Australia. Survey responses were collected around 5 months postinjury and provided data on HCP communication and confounders. Administrative claim records provided data on compensated time loss postsurvey. The authors conducted multivariate zero-inflated Poisson regressions to determine both the odds of having future time loss and its duration. MEASURES: Types of HCP communications included providing an estimated RTW date, discussing types of activities the injured worker could do or ways to prevent a recurrence, and contacting other RTW stakeholders. Each was measured in isolation as well as modified by a low-stress experience with the HCP. Time loss was the count of cumulative compensated work absence in weeks, accrued postsurvey. RESULTS: RTW dates reduced the odds of future time loss [odds ratio, 0.26; 95% confidence interval (CI), 0.09-0.82] regardless of the stressfulness of the experience. Communications that predicted shorter durations of time loss only did so with low-stress experiences: RTW date [incidence rate ratio (IRR), 0.56; 95% CI, 0.50-0.63], stakeholder contact (IRR, 0.78; 95% CI, 0.70-0.87), and prevention discussions (IRR, 0.87; 95% CI, 0.78-0.98). CONCLUSIONS: HCPs may reduce time loss through several types of communication, particularly when stress is minimized. RTW dates had the largest and most robust effect.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».