Workers’ compensation claims for COVID-19 among workers in healthcare and other industries during 2020–2022, Victoria, Australia
Notice bibliographique
Résumé
OBJECTIVE: To identify and characterise COVID-19 workers' compensation claims in healthcare and other industries during the pandemic in Victoria, Australia. METHODS: We used workers' compensation claims identified as COVID-19 infection related from 1 January 2020 to 31 July 2022 to compare COVID-19 infection claims and rates of claims by industry and occupation, and in relation to Victorian COVID-19 epidemiology. A Cox proportional hazards model assessed risk factors for extended claim duration. RESULTS: Of the 3313 direct and indirect COVID-19-related claims identified, 1492 (45.0%) were classified as direct COVID-19 infection accepted time-loss claims and were included in analyses. More than half (52.9%) of COVID-19 infection claims were made by healthcare and social assistance industry workers, with claims for this group peaking in July-October 2020. The overall rate of claims was greater in the healthcare and social assistance industry compared with all other industries (16.9 vs 2.4 per 10 000 employed persons) but industry-specific rates were highest in public administration and safety (23.0 per 10 000 employed persons). Workers in healthcare and social assistance were at increased risk of longer incapacity duration (median 26 days, IQR 16-61 days) than in other industries (median 17 days, IQR 11-39.5 days). CONCLUSIONS: COVID-19 infection claims differed by industry, occupational group, severity and timing and changes coincided with different stages of the COVID-19 pandemic. Occupational surveillance for COVID-19 cases is important and monitoring of worker's compensation claims and incapacity duration can contribute to understanding the impacts of COVID-19 on work absence.
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 | 0,001 | 0,001 |
| 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 ».