Number of physiotherapy sessions in work-related absenteeism due to musculoskeletal disorders, by gender, age and occupation: A retrospective cohort study
Notice bibliographique
Résumé
BackgroundThe number of physiotherapy sessions needed to treat musculoskeletal conditions varies in the literature; age and gender may partly explain the discordant reports. However, no research has analysed whether occupation may influence this outcome in the working population.ObjectivesTo assess the number of physiotherapy sessions performed for low back pain (LBP), cervicalgia (CG), and whiplash syndrome (WS) in workers on sickness absence, according to gender, age, and occupation.MethodsIn this retrospective cohort study, the outcome variable was the number of physiotherapy sessions needed to recover from LBP, CG, and WS. Explanatory variables were sex, age, occupation, year when physiotherapy ended, and treatment centre. The adjusted median differences in the number of sessions (MDa) were calculated.ResultsOlder workers (55-65 years) needed a median of 2.6 additional sessions for LBP, 3.0 more sessions for CG, and 3.6 for WS. Men underwent fewer sessions than women (LBP and CG: MDa -0.9 sessions; WS: MDa -1.7 sessions). Compared to crafts and related trades workers, plant and machine operators and assemblers required more sessions to recover from LBP (MDa 0.7), as did service and sales workers (MDa 0.7). In CG and WS, differences were observed for technicians and associate professionals (MDa 1.3 and MDa 1.7, respectively), and for professionals (MDa 2.4 and MDa 1.6). Clerical support workers also needed significantly more sessions for CG.ConclusionsThe number of sessions required to recover from LBP, CG, and WS in workers on work-related sickness absence is different according to gender, age, and occupation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».