Tämä sivu käännettiin automaattisesti, eikä käännösten tarkkuutta voida taata. Katso englanninkielinen versio lähdetekstiä varten.

WB6Dim-LTSA: Can Workplace Well-Being Scores Predict Collective Absenteeism? (WB6Dim-LTSA)

sunnuntai 17. toukokuuta 2026 päivittänyt: Clover Link

Predictive Value of the Adaptive Load Index (ICA) Derived From the WB6Dim Instrument on Collective Absenteeism Rates at a 6-Month Horizon: A Prospective Multicenter Cohort Study

This prospective multicenter cohort study evaluates the predictive value of the Adaptive Load Index (ICA), a composite indicator derived from the WB6Dim well-being instrument, on long-duration sick leave (≥ 30 days) in French companies at a 6-month horizon. In France, 7% of sick leave episodes (those exceeding 6 months) account for 45% of total sickness benefit expenditure (Cour des Comptes 2024). Group disability insurance charges rose +24.4% in 2024 (France Assureurs 2025). Critically, a substantial proportion of long-duration sick leave occurs without prior escalation in administrative absence data - the 'cliff effect' - where presenteeism masks progressive deterioration (Gustafsson & Marklund 2011). Prediction models based solely on absence history plateau at AUC 0.65 for cumulative days (Roelen 2013), while composite psychometric instruments reach C-index 0.73-0.74 (Airaksinen et al. 2018, SJWEH). The WB6Dim is a validated 28-item psychometric tool measuring 9 dimensions of workplace well-being (NCT07301879, NCT07433764; test-retest ICA .904). The ICA classifies respondents into 4 adaptive load levels. Aggregated at the company level, the ICA distribution may detect deterioration during the presenteeism window, before costly sick leave materializes. The study collects 4 WB6Dim assessments over 6 months alongside company-level absence data stratified by duration (2024-2026) and individual self-reported absence data (duration and episode count). Six pre-registered hypotheses test whether ICA predicts long-duration leave, including an exploratory hypothesis targeting companies with no prior absence signal but degraded well-being scores.

Tutkimuksen yleiskatsaus

Tila

Ei vielä rekrytointia

Ehdot

Yksityiskohtainen kuvaus

BACKGROUND: In France, sickness benefit expenditure reached 10.2 billion euros in 2023, up 28% since 2019 (DREES/CNAM, Études & Résultats n°1321, 2024). The cost distribution follows a Pareto pattern: 7% of sick leave episodes (those exceeding 6 months) generate 45% of total expenditure (Cour des Comptes, RALFSS 2024). For group disability insurers (prévoyance collective), the pressure is acute: charges for incapacity-disability-dependence rose +24.4% in 2024, long-duration indemnified days increased +31% since 2020, and the claims-to-premiums ratio deteriorated to 56.9% (France Assureurs 2025). These 7% of episodes are the primary cost driver, yet current identification relies on retrospective administrative data - the signal arrives after the damage is done. The literature identifies two pathways to long-duration sick leave: (1) escalation from repeated short absences (≥3 episodes/year, RR 1.5-2.5; Koopmans 2008, Hultin 2012, Roelen 2018, Sørensen et al. 2025), where administrative data detect the pattern but often too late for effective prevention; and (2) the 'cliff effect' - sudden onset without prior absence signal, driven by prolonged presenteeism masking progressive deterioration (Gustafsson & Marklund 2011, Ahola 2009, López-Bueno & Clausen 2021). Administrative data are entirely blind to the second pathway. Composite psychometric instruments can detect risk during the presenteeism window: they reach C-index 0.73-0.74 vs 0.65 for absence-only models (Airaksinen et al. 2018; Roelen 2013), and combining questionnaire + administrative data reaches C-index 0.79 (Nyberg et al. 2023).

The WB6Dim (Well-Being 6 Dimensions) is a 28-item digital psychometric instrument assessing 9 well-being dimensions, validated on 808 participants across 4 cohorts with 2 pre-registered protocols (NCT07301879, NCT07433764). All 19 convergent validity hypotheses were confirmed against 10 international gold-standard scales (PSS-10, WHO-5, CBI, ISI-7, RSES, SAS-SV, MSPSS, UCLA-3, CFQ-13, BPNS). The test-retest reliability (ICA) reached .904 (excellent). The Adaptive Load Index (ICA) classifies each respondent into 4 levels: low-to-moderate load, high load, very high load, and critical load. The Environmental Attentional Dysregulation (DAE) further characterizes the dominant source of strain (internal, digital, relational, or mixed). No published study has tested the predictive value of a composite well-being index, measured at the collective level, on sick leave ≥30 days - the threshold triggering group disability insurance benefits.

DESIGN: Prospective multicenter cohort study with 4 measurement waves over 6 months (June-November 2026). The unit of analysis is the company (collective level). No individual diagnosis or prognosis is delivered. Data sources include: (1) company-level HR data on absenteeism stratified by duration (aggregated, anonymized) for 2024, 2025, and 2026; (2) individual self-reported absence integrated into the WB6Dim at T0, T2, and T3. The study includes two analytical components: a retrospective analysis correlating T0 WB6Dim scores with 2024-2025 absenteeism, and a concurrent analysis testing whether T0-T2 trajectories predict T2-T3 absenteeism. Six pre-registered hypotheses are tested, including an exploratory hypothesis (H6) targeting the added value of ICA for companies with no elevated absence history but degraded well-being scores - directly testing whether the WB6Dim can identify the costly 7% before administrative data show any signal.

Opintotyyppi

Havainnollistava

Ilmoittautuminen (Arvioitu)

2000

Yhteystiedot ja paikat

Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.

Opiskeluyhteys

Opiskelupaikat

Osallistumiskriteerit

Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.

Kelpoisuusvaatimukset

Opintokelpoiset iät

  • Aikuinen
  • Vanhempi Aikuinen

Hyväksyy terveitä vapaaehtoisia

Joo

Näytteenottomenetelmä

Ei-todennäköisyysnäyte

Tutkimusväestö

Employees of French companies with 50 or more employees, recruited through employer participation agreements. Companies are sourced through occupational health networks and direct outreach. All employees meeting inclusion criteria within participating companies are eligible regardless of job type, contract status, or health condition.

Kuvaus

Inclusion Criteria:

  • Employee of a participating French company (≥ 50 employees)
  • Age 18 years or older
  • Access to a smartphone or computer to complete the digital questionnaire
  • Electronic informed consent provided at baseline

Exclusion Criteria:

  • Refusal to participate or withdrawal of consent
  • Inability to complete the questionnaire in French

Opintosuunnitelma

Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.

Miten tutkimus on suunniteltu?

Suunnittelun yksityiskohdat

Kohortit ja interventiot

Ryhmä/Kohortti
Multi-company workforce cohort
Single-cohort design. All participants receive the same observational protocol: 4 WB6Dim assessments over 6 months. The predictive analysis is conducted at the company level, comparing companies above versus below the sample median of collective critical ICA proportion at T0. No group assignment is made at the individual level. Stratification is performed post-hoc based on observed ICA distributions.

Mitä tutkimuksessa mitataan?

Ensisijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Company-level incidence rate of sick leave episodes ≥ 30 days over 6 months, as measured from aggregated HR records
Aikaikkuna: 6 months post-enrollment
Company-level incidence of sick leave episodes lasting 30 days or more, measured from aggregated HR data provided by each participating company for the period June-November 2026. This threshold marks the transition from short-term to long-term sickness absence in the French social security system and is associated with sharply reduced return-to-work probability.
6 months post-enrollment

Toissijaiset tulostoimenpiteet

Tulosmittaus
Toimenpiteen kuvaus
Aikaikkuna
Company-level incidence rate of sick leave episodes ≥ 90 days over 6 months, as measured from aggregated HR records
Aikaikkuna: 6 months post-enrollment
Company-level incidence of sick leave episodes lasting 90 days or more, corresponding to long-term illness (affection de longue durée) classification and elevated risk of permanent disability transition.
6 months post-enrollment
Number of employees with ≥ 3 distinct absence episodes within 6 months per company, as measured from aggregated HR records
Aikaikkuna: 6 months post-enrollment
Company-level count of employees with 3 or more distinct absence episodes within a 6-month period. Repeated short absences are an established early marker of subsequent long-duration leave (Koopmans 2008, RR=1.9; Hultin 2012, OR=2.0).
6 months post-enrollment
Self-reported cumulative absence duration and episode count, as measured by WB6Dim questionnaire items
Aikaikkuna: Baseline, 3 months, and 6 months post-enrollment
Self-reported work absence collected via two items in the WB6Dim questionnaire. Item 1: cumulative duration (0 / 1-7 days / 8-30 days / 31-90 days / >90 days). Item 2: number of separate episodes (0 / 1 / 2 / 3+). Each assessment covers the period since the previous measurement.
Baseline, 3 months, and 6 months post-enrollment
Change in collective ICA distribution from baseline to 3 months as a predictor of sick leave ≥ 30 days between 3 and 6 months
Aikaikkuna: Baseline and 3 months (predictor); 3 to 6 months post-enrollment (outcome)
Change in collective ICA distribution between baseline and 3 months (slope of degradation) as a predictor of sick leave ≥ 30 days observed between 3 and 6 months post-enrollment. Tests whether longitudinal worsening of collective well-being adds predictive value beyond static baseline measurement.
Baseline and 3 months (predictor); 3 to 6 months post-enrollment (outcome)
Change in predictive model AUC when adding DAE profile distribution to the ICA-based model for sick leave ≥ 30 days
Aikaikkuna: 6 months post-enrollment
Improvement in predictive model discrimination (AUC) when adding DAE profile distribution (internal, digital, relational, mixed) to the ICA-based model. Tests whether characterizing the dominant source of strain improves identification of at-risk companies beyond overall load level.
6 months post-enrollment
Agreement (Cohen's kappa) between aggregated self-reported absence and company-level HR absence data, stratified by duration class
Aikaikkuna: 6 months post-enrollment
Agreement between aggregated individual self-reports and company-level HR data, assessed using Cohen's kappa at the company level. Stratified by duration class. Validates the use of self-reported absence as a complementary data source when HR records are unavailable.
6 months post-enrollment

Yhteistyökumppanit ja tutkijat

Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.

Sponsori

Clover Link

Tutkijat

  • Opintojen puheenjohtaja: Frédérique RETORNAZ, MD, PhD, European Hospital, Unit of Care and Research in Internal Medicine and Infectious Diseases.

Julkaisuja ja hyödyllisiä linkkejä

Tutkimusta koskevien tietojen syöttämisestä vastaava henkilö toimittaa nämä julkaisut vapaaehtoisesti. Nämä voivat koskea mitä tahansa tutkimukseen liittyvää.

Hyödyllisiä linkkejä

Opintojen ennätyspäivät

Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan ​​julkisella verkkosivustolla.

Opi tärkeimmät päivämäärät

Opiskelun aloitus (Arvioitu)

Maanantai 1. kesäkuuta 2026

Ensisijainen valmistuminen (Arvioitu)

Sunnuntai 15. marraskuuta 2026

Opintojen valmistuminen (Arvioitu)

Maanantai 30. marraskuuta 2026

Opintoihin ilmoittautumispäivät

Ensimmäinen lähetetty

Sunnuntai 17. toukokuuta 2026

Ensimmäinen toimitettu, joka täytti QC-kriteerit

Sunnuntai 17. toukokuuta 2026

Ensimmäinen Lähetetty (Todellinen)

Tiistai 26. toukokuuta 2026

Tutkimustietojen päivitykset

Viimeisin päivitys julkaistu (Todellinen)

Tiistai 26. toukokuuta 2026

Viimeisin lähetetty päivitys, joka täytti QC-kriteerit

Sunnuntai 17. toukokuuta 2026

Viimeksi vahvistettu

Perjantai 1. toukokuuta 2026

Lisää tietoa

Tähän tutkimukseen liittyvät termit

Avainsanat

Muita asiaankuuluvia MeSH-ehtoja

Muut tutkimustunnusnumerot

  • WB6DIM-LTSA-2026-01

Yksittäisten osallistujien tietojen suunnitelma (IPD)

Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?

EI

IPD-suunnitelman kuvaus

Individual participant data will not be shared. The study analyzes company-level aggregated indicators only. No individual diagnosis or prognosis is delivered. Sharing individual-level data would conflict with GDPR requirements and the anonymization commitments made to participants and employers in the informed consent. De-identified, aggregated company-level datasets may be made available to qualified researchers upon reasonable request and approval by the data protection officer.

Lääke- ja laitetiedot, tutkimusasiakirjat

Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta

Ei

Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta

Ei

Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .

Tilaa