Cost, Effectiveness, and Cost-Effectiveness of a Collaborative Mental Health Care Program for People Receiving Short-Term Disability Benefits for Psychiatric Disorders
Notice bibliographique
Résumé
OBJECTIVE: To examine the cost, effectiveness, and cost-effectiveness of a collaborative mental health care (CMHC) pilot program for people on short-term disability leave for psychiatric disorders. METHOD: Using a quasi-experimental design, the analyses were conducted using 2 groups of subjects who received short-term disability benefits for psychiatric disorders. One group (n = 75) was treated in a CMHC program during their disability episode. The comparison group (n = 51) received short-term disability benefits related to psychiatric disorders in the prior year but did not receive CMHC during their disability episode. People in both groups met screening criteria for the CMHC program. Differences in cost and days absent from work were tested using Student t tests and confirmed using nonparametric Wilcoxon rank sum tests. Differences in return to work and transition to long-term disability leave were tested using chi-square tests. The cost-effectiveness analysis used the net benefit regression framework. RESULTS: The results suggest that with CMHC, for every 100 people on short-term disability leave for psychiatric disorders, there could be $50 000 in savings related to disability benefits along with more people returning to work (n = 23), less people transitioning to long-term disability leave (n = 24), and 1600 more workdays. CONCLUSIONS: CMHC models of disability management based on our Canadian data may be a worthwhile investment in helping people who are receiving short-term disability benefits for psychiatric disorders to receive adequate treatment.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».