Using the Functional Comorbidity Index with administrative workers’ compensation data: Utility, validity, and caveats
Notice bibliographique
Résumé
BACKGROUND: Chronic health conditions impact worker outcomes but are challenging to measure using administrative workers' compensation (WC) data. The Functional Comorbidity Index (FCI) was developed to predict functional outcomes in community-based adult populations, but has not been validated for WC settings. We assessed a WC-based FCI (additive index of 18 conditions) for identifying chronic conditions and predicting work outcomes. METHODS: WC data were linked to a prospective survey in Ohio (N = 512) and Washington (N = 2,839). Workers were interviewed 6 weeks and 6 months after work-related injury. Observed prevalence and concordance were calculated; survey data provided the reference standard for WC data. Predictive validity and utility for control of confounding were assessed using 6-month work-related outcomes. RESULTS: The WC-based FCI had high specificity but low sensitivity and was weakly associated with work-related outcomes. The survey-based FCI suggested more comorbidity in the Ohio sample (Ohio mean = 1.38; Washington mean = 1.14), whereas the WC-based FCI suggested more comorbidity in the Washington sample (Ohio mean = 0.10; Washington mean = 0.33). In the confounding assessment, adding the survey-based FCI to the base model moved the state effect estimates slightly toward null (<1% change). However, substituting the WC-based FCI moved the estimate away from null (8.95% change). CONCLUSIONS: The WC-based FCI may be useful for identifying specific subsets of workers with chronic conditions, but less useful for chronic condition prevalence. Using the WC-based FCI cross-state appeared to introduce substantial confounding. We strongly advise caution-including state-specific analyses with a reliable reference standard-before using a WC-based FCI in studies involving multiple states.
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 | 0,167 | 0,350 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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 ».