Soutenir le retour au travail après un arrêt de travail en raison d’un trouble dépressif : pourquoi et comment faire en soins primaires ?
Bibliographic record
Abstract
Ces dernières années, les troubles dépressifs sont devenus l’une des principales causes d’absence au travail. Pour les personnes concernées, le risque d’incapacité prolongée au travail est bien réel et engendre des coûts considérables sur les plans humain et social, sans parler des coûts financiers. Malgré son importance, la question du retour au travail (RAT) est rarement présentée comme étant prioritaire à considérer dans l’intervention clinique, notamment par les intervenants des soins primaires. Par conséquent, ces derniers ont peu d’indications concernant l’intervention à préconiser pour favoriser le RAT en temps opportun et ils peuvent même s’interroger sur la pertinence de viser un tel objectif. Cet article a pour but de proposer des balises aux intervenants des soins primaires en répondant à la question suivante : pourquoi et comment les intervenants des soins primaires doivent-ils soutenir le RAT après un arrêt de travail en raison d’un trouble dépressif ? La première partie de l’article permettra de faire un survol des connaissances actuelles soutenant la pertinence d’intervenir précocement pour prévenir l’incapacité prolongée de travail suite à un arrêt de travail en raison d’un trouble dépressif. En deuxième partie, nous présenterons un ensemble de principes devant guider l’intervention de retour au travail et en proposerons des illustrations adaptées au contexte des soins primaires. Nous nous appuierons pour ce faire sur des travaux de recherche récents réalisés en contexte québécois.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".