An Algorithm Using Administrative Data to Identify Patient Attachment to a Family Physician
Notice bibliographique
Résumé
Background. Commonly self-reported questions in population health surveys, such as "do you have a family physician?", represent one of the best-known sources of information about patients' attachment to family physicians. Is it possible to find a proxy for this information in administrative data? Objective. To identify the type of patient attachment to a family physician using administrative data. Methods. Using physician fee-for-service database and patients enrolment registries (Quebec, Canada, 2008-2010), we developed a step-by-step algorithm including three dimensions of the physician-patient relationship: patient enrolment with a physician, complete annual medical examinations (CME), and concentration of visits to a physician. Results. 68.1% of users were attached to a family physician; for 34.4% of them, attachment was defined by enrolment with a physician, for 31.5%, by CME without enrolment, and, for 34.1%, by concentration of visits to a physician without enrolment or CME. Eight types of patient attachment were described. Conclusion. When compared to findings with survey data, our measure comes out as a solid conceptual framework to identify patient attachment to a family physician in administrative databases. This measure could be of great value for physician/patient-based cohort development and impact assessment of different types of patient attachment on health services utilization.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».