Study of the predictive factors: of occupational deinsertion. Use of big data in occupational health in the primary prevention of occupational deinsertion Etude des facteurs prédictifs de la désinsertion professionnelle : l’utilisation des données massives en santé au travail dans la prévention primaire des sorties d’emploi En Fr

Résumé En Fr

With more than 500,000 employees concerned each year, occupational deinsertion is a public health problem. Although job retention, work toughness and the factors predicting occupational deinsertion are a major issue, these topics remain little studied. Furthermore, the few international studies and publications focus on a very limited number of factors, do not take into consideration the employee as a whole (no consideration of the three WHO dimensions of health. The objective is to provide answers in the identification of predictive factors of occupational deintegration using massive occupational health data. The statistical approaches envisaged are based on models for repeated data (mixed models and trajectory models), models for censored data (survival models and multi-state Markov models), considering the different sources of latent variability (cluster effect (companies) and cluster effect (profiles of employees' common characteristics)).

Avec plus de 500 000 salariés par an concernés, la désinsertion professionnelle est un problème de santé publique. Si le maintien dans l’emploi, la pénibilité au travail et les facteurs prédictifs de la désinsertion professionnelle sont un enjeu majeur, ces thématiques restent peu étudiées. D’autre part, les rares travaux et publications internationales se focalisent sur un nombre très limité de facteurs, ne prennent pas en compte le salarié dans sa globalité (pas de prise en compte des trois dimensions de la santé de l’OMS). L’objectif est d’apporter des réponses dans l’identifications des facteurs prédictifs de la désinsertion professionnelle grâce aux données massives de Santé au travail. Les approches statistiques envisagées reposent sur des modèles pour données répétées (modèles mixtes et modèles de trajectoires), des modèles pour données censurées (modèles de survie et modèles multi-états de Markov), prenant en compte les différentes sources de variabilité latentes (effet « grappes » (entreprises) et effet « clusters » (profils de caractéristiques communes des salariés).