The impact of stroke on employment income: A cohort study using hospital and income tax data in Ontario, Canada
Notice bibliographique
Résumé
OBJECTIVE: To document the impact of stroke on employment income among people employed at the time of stroke. DESIGN: Population-based cohort study. PARTICIPANTS: People hospitalized for stroke in Ontario, Canada (2010-2014) and people without stroke matched on demographic characteristics. MAIN MEASURES: Robust Poisson regression to estimate the effects of stroke on the probability of reporting employment income on tax returns over 3 years. Quantile regression difference-in-differences to estimate the changes in annual employment income attributable to stroke. RESULTS: Stroke survivors were increasingly less likely to report any employment income poststroke, incidence rate ratios (IRR) 0.87 at 1 year (95% confidence intervals [CI]; 0.85-0.88), 0.82 at 2 years (95% CI; 0.81-0.84) and 0.81 at 3 years (95% CI; 0.79-0.82). IRR for reporting at least 50% of prestroke income levels were 0.76 at 1 year (95% CI; 0.75-0.78), 0.75 at 2 years (95% CI; 0.73-0.77) and 0.73 at 3 years (95% CI; 0.71-0.75). IRR for reporting at least 90% of prestroke income levels were 0.72 at 1 year (95% CI; 0.70-0.74), 0.66 at 2 years (95% CI; 0.64-0.68) and again 0.66 at 3 years (95% CI; 0.64-0.68). Relative changes in annual employment income attributable to stroke varied from a decrease of 13.8% (95% CI; 8.7-18.9) at the 75th income percentile to a decrease of 43.1% (95% CI; 18.7-67.6) at the 25th income percentile. CONCLUSIONS: It is important for healthcare and service providers to recognize the impact of stroke on return to prestroke levels of employment income. Low-income stroke survivors experience a more drastic loss in employment income and may need additional social support.
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) | 0,000 | 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 ».