Employment status, productivity loss, and associated factors among people with multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: Multiple Sclerosis (MS) affects people in their most productive years of life. Consequently, MS can substantially affect employment and work-related outcomes. OBJECTIVES: This study characterizes productivity loss and employment status of people with multiple sclerosis (pwMS) and investigates associated factors. METHODS: We used baseline data collected as part of the Canadian Prospective Cohort Study to Understand Progression in Multiple Sclerosis (CanProCo). Using the Valuation of Lost Productivity questionnaire, we measured MS-related paid work productivity loss for those employed, productivity losses incurred by those unemployed (i.e. lost employment time), and unpaid work productivity losses for all. A set of sociodemographic, disease, and performance-related factors were investigated using a two-part regression model for productivity loss and a multinomial logistic model for employment status. RESULTS: From the cohort of 888 pwMS enrolled at baseline (mostly showing mild to moderate disability), 75% were employed, and of those unemployed, 69% attributed their unemployment to health-related issues. Total productivity loss over a 3-month period averaged 64 and 395 hours for those employed and unemployed, respectively. Some factors that affected productivity loss and employment status included use of disease-modifying therapies, fatigue, and performance indicators such as cognitive processing speed. CONCLUSION: Productivity loss experienced by employed and unemployed pwMS is substantial. Targeting the identified modifiable factors is likely to improve work productivity and permanence of MS patients in the workforce.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».