Measuring, Analyzing, and Presenting Work Productivity Loss in Randomized Controlled Trials: A Scoping Review
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to conduct a scoping review of randomized controlled trials (RCTs) and investigate which work productivity loss outcomes were measured in these RCTs, how each outcome was measured and analyzed, and how the results for each outcome were presented. METHODS: A systematic search was conducted from January 2010 to April 2020 from 2 databases: PubMed and Cochrane Central Register of Controlled Trials. Data on country, study population, disease focus, sample size, work productivity loss outcomes measured (absenteeism, presenteeism, employment status changes), and methods used to measure, report, and analyze each work productivity loss outcome were extracted and analyzed. RESULTS: We found 435 studies measuring absenteeism or presenteeism, of which 155 studies (35.6%) measured both absenteeism and presenteeism and were included in our final review. Only 9 studies also measured employment status changes. The most used questionnaire was the Work Productivity and Activity Impairment Questionnaire. The analysis of absenteeism and presenteeism data was mostly done using regression models (n = 98, n = 98, respectively) for which a normal distribution was assumed (n = 77, n = 89, respectively). Absenteeism results were most often presented in time whereas presenteeism was commonly presented using a percent scale or score. CONCLUSIONS: There is a lack of consensus on how to measure, analyze, and present work productivity loss outcomes in RCTs published in the past 10 years. The diversity of measurement, analysis, and presentation methods used in RCTs may make comparability challenging. There is a need for guidelines providing recommendations to standardize the comprehensiveness and the appropriateness of methods used to measure, analyze, and report work productivity loss in RCTs.
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 | 0,248 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,035 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,006 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».