Sickness absence due to common mental disorders and antidepressant prescription among health and social care workers during compared with before the COVID-19 pandemic: a nationwide register study of the Swedish population
Notice bibliographique
Résumé
OBJECTIVES: Essential workers, particularly in health care and social services, were critical during the peak of the COVID-19 pandemic, yet their mental health outcomes remain understudied. We examined changes in (1) sickness absence (SA) due to common mental disorders (CMDs), and (2) antidepressant prescription in health and social care workers during versus pre-pandemic periods. METHODS: Using Swedish national registers, we included health care and social workers (aged 19-65 years) from 2018 to 2021. We compared quarterly incidence rate (IR) trends for SA >90 days due to CMDs, and for antidepressant prescriptions, across 2 periods: pre-pandemic (January 2018 to February 2020) and during the pandemic (March 2020 to December 2021) using interrupted time-series analysis. Analyses accounted for seasonality and were stratified by age, sex, and education. RESULTS: There was no evidence of a difference in IR trends for SA >90 days or for antidepressant prescription pre-pandemic versus during the pandemic for the entire sector. However, trends of IR for antidepressant prescription increased among workers in medical laboratories (8.7% per quarter change; 95% CI, 4.4%-13.1%) and hospitals (1.5%; 95% CI, 0.6%-2.5%) and decreased per quarter for ambulance transports (5.4%; 95% CI, 0.4-10.0%). Women (10.9%; 95% CI, 7.2%-14.7%) and highly educated individuals (10.0%; 95% CI, 4.1%-16.1%) working in medical laboratories as well as 19-25-year-olds working in primary and dental care (7.3%; 95% CI, 1.7%-13.1%) also experienced an increase in antidepressant prescription. CONCLUSIONS: Although overall trends in SA >90 days and in antidepressant prescription remained stable, certain occupational and sociodemographic groups were found to be affected in regard to antidepressant prescription. These groups warrant targeted support in future health crises.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».