Factors associated with changes in employment in individuals with long COVID
Notice bibliographique
Résumé
BackgroundLong Covid symptoms are known to have an impact on function, however, their effect on employment and the associated demographic and clinical factors are not well understood.ObjectiveOur objectives were (1) To compare changes in employment status between those with Long Covid and those who recovered from their Covid-19 infection; and (2) To identify demographic factors, clinical factors, and occupational skill level associated with decreased employment status in those with Long Covid.MethodsWe conducted an electronic survey (≥12 weeks post infection) with adult residents in Laval, Quebec, Canada who tested positive for Covid-19 between March 2020 and January 2022, regarding Long Covid symptoms and their functional impact. This analysis focuses on employment status: pre-covid, prior to infection, and current, and was recorded as full-time, part-time, or not working due to illness or for other reasons. Change in employment status was categorized as no decrease or decreased.ResultsAmong 2764 respondents, 15.6% (95% CI: 13.3-17.9) with Long Covid (versus 5.4% (95% CI: 4.2-6.5) who recovered) experienced a decrease in employment (p < 0.001). Clinical factors associated with a decrease in employment include having been hospitalized for Covid-19, having ≥1 comorbid condition prior to infection, >12 months since infection, moderate to severe decline in physical and psychological health, and decline in global health. Demographic factors and occupational skill level were not associated with a change in employment.ConclusionsPersons with Long Covid are more likely to experience a decrease in employment. Research is needed to determine whether rehabilitation for people with Long Covid could improve employment levels.
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 ».