Productivity loss among people with early multiple sclerosis: A Canadian study
Notice bibliographique
Résumé
OBJECTIVES: To analyze work productivity loss and costs, including absenteeism (time missed from work), presenteeism (reduced productivity while working), and unpaid work loss, among a sample of employed people with multiple sclerosis (pwMS) in Canada, as well as its association with clinical, sociodemographic, and work-related factors. METHODS: We used cross-sectional data collected as part of the Canadian Prospective Cohort Study to Understand Progression in MS (CanProCo) and information from the Valuation of Lost Productivity questionnaire. RESULTS: Among 512 pwMS who were employed, 97% showed no or mild disability and 55% experienced productivity loss due to MS in the prior 3 months. Total productivity time loss over a 3-month period averaged 60 hours (SD = 107; 23 from presenteeism, 19 from absenteeism, and 18 from unpaid work), leading to a mean cost of lost productivity of CAD$2480 (SD = 4282) per patient, with an hourly paid productivity loss greater than the wage loss. Fatigue retained significant associations with all productivity loss outcomes. CONCLUSION: Unpaid work loss and productivity losses exceeding those of the employee alone (due to teamwork and associated factors) are key additional contributors of the high economic burden of MS. Workplace accommodations and treatments targeted at fatigue could lessen the economic impact of MS.
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 | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».