Gestion de l’invalidité au travail en raison d’un trouble mental courant : le point de vue des médecins de famille et des psychiatres quant à leur pratique
Bibliographic record
Abstract
Les troubles mentaux sont la principale cause d’invalidité et peuvent présenter une durée d’absence deux fois plus longue, lorsque comparés à d’autres types de maladies. Plusieurs acteurs sont impliqués dans la gestion de l’invalidité dont les médecins de famille (MF) et les psychiatres ; deux acteurs du secteur de la santé incontournables lorsqu’il est question de santé mentale et de retour au travail (RAT). Cet article a comme principal objectif de documenter les tâches des MF et psychiatres liées à la gestion d’une invalidité en raison d’un trouble mental courant (TMC) ainsi que d’identifier les facilitateurs et les obstacles qu’ils perçoivent dans ce processus. De plus, il est question de dégager les besoins de formations qui pourront éventuellement aider ces cliniciens dans l’accomplissement de leurs tâches, permettant par le fait même un rétablissement durable du travailleur. Il s’agit d’une étude qualitative dont la collecte de données a été faite via des groupes de discussion (focus groups) totalisant 3 groupes de MF et 2 groupes de psychiatres (N = 28). Tous les enregistrements ont été retranscrits en verbatim et par la suite codifiés. Les réponses générées par les groupes de discussion ont fait émerger 180 unités thématiques réparties sur 4 grands thèmes, lesquels sont récurrents pour chaque objectif de recherche : (1) évaluer/documenter ; (2) prescrire/traiter ; (3) communiquer/collaborer/réseauter avec les autres acteurs ; et (4) arbitrer/défendre. Les unités thématiques montrent l’importance de la collaboration entre les acteurs et d’une communication efficace entre ces derniers. Il ressort de cela également que ces cliniciens aimeraient être mieux formés pour arrimer connaissances et pratique.
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 | 0.006 | 0.021 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.009 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".